
Cómo transcribir audio y vídeo con ElevenLabs Scribe v2: guía práctica
Aprende a convertir podcasts, entrevistas y vídeos en texto con Scribe v2, corregir errores y preparar subtítulos con marcas de tiempo.
Enlace de afiliación: Claim26 puede recibir una comisión. Guía basada en fuentes oficiales; no afirmamos haber probado el servicio con una cuenta real.
Qué hace Scribe v2 y por qué no es un generador de voz
Scribe v2 transforma en texto las palabras contenidas en un archivo de audio o vídeo, por ejemplo una entrevista, un podcast o una clase grabada. Se diferencia de Text to Speech, que hace el recorrido inverso, y de Voice Isolator, que busca reducir el ruido de fondo.
Imagina una conversación ficticia de doce minutos entre dos profesionales. Quieres encontrar las frases importantes, identificar quién habla y preparar subtítulos. La transcripción es el primer paso, pero sigue siendo necesario escuchar la grabación original para comprobar cada dato.
Scribe v2 para archivos y Scribe v2 Realtime para voz en directo
Scribe v2 está orientado a material ya grabado que se puede cargar en el sitio o enviar mediante la API. Scribe v2 Realtime procesa un flujo continuo y está diseñado para aplicaciones que necesitan texto mientras alguien habla.
Una reunión ya terminada se puede tratar como archivo y corregir con calma. Una aplicación de dictado en directo necesita un flujo distinto, con decisiones técnicas y de seguridad específicas. No confundas ambas modalidades ni supongas que disponen del mismo precio o los mismos controles.
Antes de empezar: permisos, confidencialidad y calidad del audio
Comprueba que dispones de autorización para tratar el audio, sobre todo cuando aparecen clientes, estudiantes, pacientes o empleados. Que una herramienta permita subir un fichero no significa que tengas derecho a compartir una conversación privada con un servicio externo.
Guarda el archivo original sin modificaciones, prepara una muestra breve y escucha si las voces se distinguen. Incluye una palabra técnica, un nombre y un cambio de participante; así podrás detectar errores relevantes antes de usar tus créditos en un proyecto extenso.
Audio, vídeo y límites que debes comprobar
La documentación de ElevenLabs acepta audio como MP3, WAV, M4A o FLAC y vídeo como MP4, MOV o MKV. Publica como límite general hasta 3 GB por archivo y diez horas de duración en el modo estándar, con diferencias posibles en las opciones multicanal.
No necesitas extraer siempre una pista MP3 antes de probar la transcripción de un vídeo compatible. Comprueba que el archivo se reproduce, que la conversación está en la pista correcta y que la duración queda dentro de los límites actuales de tu cuenta.
Paso 1: cargar un archivo en Speech to Text
En el panel de ElevenLabs, abre Speech to Text y selecciona «Transcribe files». La ayuda del producto explica que puedes elegir un archivo de audio o vídeo y confirmar el envío con la opción «Upload files» después de revisar las opciones.
Empieza con un fichero de prueba identificado por su fecha y tema para reconocerlo fácilmente en el historial. Si tu interfaz muestra botones diferentes, revisa la documentación actual antes de afirmar que una función ha desaparecido; las pantallas pueden cambiar.
Paso 2: idioma, detección automática y términos importantes
Puedes indicar el idioma principal o dejar que el sistema lo detecte. Scribe v2 admite más de noventa idiomas, incluido el español, y puede trabajar con material multilingüe. Una detección correcta facilita la revisión, pero no garantiza la transcripción perfecta de cada acento.
Para nombres propios y vocabulario poco frecuente existen opciones de orientación mediante términos clave. Prepara únicamente las palabras que sean necesarias y comprueba si esa función está incluida en tu modalidad, ya que ciertas opciones avanzadas pueden modificar el coste.
Paso 3: revisar palabra por palabra con la grabación original
Al finalizar el tratamiento, abre el archivo de resultados. La documentación del producto describe una vista donde puedes pulsar una palabra para reproducir el audio cercano al pasaje correspondiente y corregir el texto con más precisión.
Revisa en primer lugar nombres, fechas, negaciones, cifras y términos técnicos. Una frase bien puntuada puede contener un error importante de reconocimiento. Para una cita o un contrato, conserva la distinción entre palabras realmente pronunciadas y correcciones editoriales posteriores.
Cómo identificar a varios participantes
Scribe v2 admite etiquetas de locutor para indicar qué voz corresponde a cada fragmento, una función conocida como diarización. ElevenLabs anuncia compatibilidad con hasta treinta y dos participantes en determinados flujos de trabajo, aunque el rendimiento depende del sonido disponible.
Comprueba las etiquetas antes de asignar nombres reales. Dos voces parecidas, un cambio rápido de turno o varias personas hablando a la vez pueden provocar errores. La herramienta no puede confirmar por sí sola la identidad de una persona a partir de un nombre sugerido.
Marcas de tiempo, subtítulos y eventos de audio
Las marcas temporales asociadas a las palabras ayudan a localizar un momento concreto de la grabación y a preparar subtítulos. También se pueden etiquetar eventos no verbales, como risas o aplausos, si esa información resulta útil para el público.
Para publicar subtítulos, verifica la sincronización con el vídeo, las pausas entre intervenciones y la longitud de las líneas. Una marca temporal generada automáticamente es una ayuda, no una prueba de que todos los cortes de lectura sean adecuados.
Exportar el texto y distinguir las versiones
La vista de Speech to Text incluye una opción «Export» que permite guardar los resultados en distintos formatos disponibles. Selecciona el que acepte tu editor y comprueba que las marcas de tiempo o las etiquetas de locutor no se hayan perdido al trasladar el archivo.
Usa nombres diferentes para el audio original, la transcripción automática y el texto revisado. Guarda un registro de las modificaciones sensibles para no presentar una paráfrasis corregida como si fuera la reproducción exacta de lo que dijo una persona.
Créditos y precio: primero calcula la duración
La facturación de Speech to Text por API se basa en la duración del audio enviado y varía según el plan y el modelo. ElevenLabs indica que las pausas y silencios también cuentan dentro de la duración facturable, y algunas funciones avanzadas pueden añadir costes.
Consulta el precio vigente en tu propia cuenta y separa los minutos incluidos del posible consumo adicional. No conviertas una tarifa comercial ilustrativa en una garantía para todos los países o suscripciones, ni proceses muchas horas antes de comprobar la calidad con una muestra breve.
API de Scribe v2: automatizar sin exponer credenciales
La referencia de ElevenLabs documenta la ruta POST /v1/speech-to-text y el identificador de modelo scribe_v2. Una aplicación puede enviar un archivo autorizado y recibir palabras, marcas de tiempo y otros campos según las opciones activadas.
La clave de acceso debe conservarse en el servidor y nunca aparecer en una página pública. Comprueba los formatos, límites, permisos y errores antes de automatizar. Claim26 no ha hecho llamadas de pago a la API ni ha transcrito archivos reales para preparar este tutorial.
Elegir Scribe o una herramienta de audio diferente
Scribe convierte palabras grabadas en texto, Voice Isolator intenta reducir el ruido, Voice Changer modifica una voz y Sound Effects genera efectos sonoros a partir de instrucciones. Son tareas diferentes, aunque puedan utilizarse durante la preparación de un mismo vídeo.
Si el problema es que la conversación apenas se entiende, quizá debas mejorar primero el audio; si la voz es clara y necesitas subtítulos, utiliza directamente la transcripción. Encadenar varias herramientas sin una necesidad concreta puede aumentar el gasto sin mejorar la información.
Lista de comprobación antes de publicar la transcripción
Revisa nombres, cantidades, negaciones, turnos de palabra, formato del archivo y sincronización de subtítulos. Escucha cada fragmento dudoso con el original y solicita una revisión humana cuando las declaraciones tengan consecuencias importantes.
Conserva la grabación original, confirma las autorizaciones y revisa la licencia y el coste aplicables. Esta guía utiliza documentación oficial consultada el 10 de noviembre de 2026; el ejemplo es ilustrativo y no se presentan pruebas propias realizadas en ElevenLabs.
Preguntas sobre ElevenLabs Scribe v2
¿Scribe v2 funciona con audio en español?
Sí, el español se encuentra entre más de noventa idiomas admitidos; revisa los nombres y palabras importantes antes de publicar.
¿Cuáles son las diferencias con Scribe Realtime?
Scribe v2 transcribe archivos pregrabados y Realtime analiza un flujo de audio en directo mediante un recorrido diferente.
¿Puedo transcribir un vídeo MP4?
Sí. Se admiten archivos de vídeo compatibles, incluidos MP4 y MOV. Comprueba el límite y las condiciones actuales.
¿Reconoce varios hablantes?
Incluye identificación de locutores. ElevenLabs anuncia hasta treinta y dos en determinados casos, pero las etiquetas deben verificarse.
¿Los subtítulos están listos para publicar automáticamente?
No. Revisa nombres, tiempos, turnos, errores de reconocimiento y legibilidad de los subtítulos.
¿Cómo se factura una transcripción?
El coste depende de duración, plan y modelo; también se contabilizan los silencios y pueden aplicarse suplementos por ciertas opciones.
Transcribe una muestra y escucha las palabras dudosas.
Prueba con un archivo autorizado y verifica locutores, nombres y marcas de tiempo antes de exportar el resultado completo.
Transcribir mi audio con ElevenLabsEnlace de afiliación: Claim26 podría recibir una comisión. Consulta el aviso de afiliación.