Libre expresión para texto en línea
Convierte voz a texto con transcripción con IA. Sube archivos de audio, graba desde tu micrófono o pega una URL. Más de 100 idiomas, más de 10 modelos, más del 98% de precisión.
1. Suba su grabación de voz
Suba un archivo de audio o video, pegue una URL o grabe desde su micrófono.
2. La IA convierte voz a texto
Elija entre más de 10 modelos de IA. Incluye detección de hablantes e idioma automática.
3. Exporte su transcripción
Descargue en 6 formatos. Comparta enlaces de transcripción con reproducción de audio.
Modelos de voz a texto
Elija el modelo de IA que se adapte a sus necesidades, o déjenos elegir el mejor.
Voz a texto en más de 100 idiomas
Casos de uso de voz a texto
¿Listo para convertir voz a texto?
Comenzar gratis →Preguntas frecuentes
El discurso al texto (también llamado reconocimiento de voz o ASR) convierte automáticamente el audio hablado en palabras escritas. STT.ai ejecuta su grabación a través de un modelo de IA que escucha el audio y emite texto editable con marcas de tiempo y etiquetas de altavoz, sin necesidad de escribir.
Un modelo acústico mapea la forma de onda sonora a fonemas, luego un modelo de lenguaje ensambla aquellos en las palabras y puntuación más probables. STT.ai hace esto en GPU con modelos como Whisper Large V3 y NVIDIA Canary, por lo que una grabación de una hora se hace generalmente en 2-3 minutos.
Sí. Cada visitante recibe 600 minutos gratis al mes sin necesidad de registrarse para su primer archivo. Los planes de pago comienzan a $5/mes y añaden archivos más largos, transcripciones privadas y procesamiento prioritario.
On clean speech our best models reach 95-97% accuracy (a 3-5% Word Error Rate on benchmarks). Accuracy drops with background noise, heavy accents, crosstalk, or low-bitrate audio — using a decent microphone and a quiet room makes the biggest difference.
Yes. Speak into your microphone and STT.ai streams the transcript live via the live-transcription tool. You can also upload a finished recording for batch transcription if you don't need it word-by-word as you talk.
STT.ai recognizes 100+ languages and auto-detects the spoken language for most audio. You can also set the language manually for a small accuracy lift, and mixed-language recordings are handled by switching mid-clip.
Yes. Speaker diarization labels each voice (Speaker 1, Speaker 2, ...) and you can rename them in the editor. This works across every supported model and language.
STT.ai accepts 20+ formats including MP3, WAV, M4A, FLAC, OGG, MP4, MKV, MOV, WebM, and AVI. Output to TXT, SRT, VTT, DOCX, JSON, or PDF.
Speech to text transcribes WHAT was said into words; voice recognition (speaker identification) determines WHO said it. STT.ai does both — transcription plus speaker diarization — but the terms describe different tasks.
Yes. Audio is processed and deleted by default. Pro plans add client-side encryption so transcripts are unreadable without your key, even to STT.ai, and your data is never used for model training without explicit opt-in.
Yes. STT.ai has a REST API with Python and Node.js SDKs plus an MCP server for Claude and Cursor. The free API tier includes 100 minutes/month, with per-second billing beyond that.
Yes. Every transcript opens in a built-in editor where you can fix misheard words, rename speakers, adjust timestamps, and add notes. Edits persist across every export format.