Si entrevistas a gente para ganarte la vida, la cuestión de la transcripción tiene un filo incómodo. Prometiste confidencialidad a una fuente, o tu comité de ética aprobó un protocolo, o tu participante firmó un consentimiento que especifica quién tiene acceso a la grabación. Después subes el archivo a un servicio de transcripción, y la respuesta honesta a «¿quién tiene ahora este audio?» pasa a ser «una empresa cuyos términos no he leído».

Para mucho trabajo de entrevistas eso es descalificante, por buena que sea la precisión. Este es un flujo para hacerlo todo en local en un Mac.

Por qué las entrevistas son un problema aparte

El audio de una entrevista se diferencia del de una reunión de formas que rompen las herramientas pensadas para reuniones:

  • Dos personas, turnos largos. La separación de hablantes importa muchísimo, y los turnos son largos en lugar del ida y vuelta rápido de una reunión diaria.
  • Las palabras exactas importan. Para una cita impresa, o en la transcripción para investigación cualitativa, donde se codifica cada línea, «más o menos lo que dijo» no sirve de nada. Una limpieza que suaviza la gramática hace daño activamente.
  • La mala acústica es lo normal. Cafeterías, llamadas telefónicas, una grabadora sobre la mesa en una sala con paredes duras.
  • El cambio de idioma es habitual. Los participantes bilingües saltan de una lengua a otra a mitad de frase.
  • El consentimiento tiene límites. Tu participante aceptó hablar contigo, no con la tubería de entrenamiento de un proveedor.

El flujo local

1. Grabar. O capturas la conversación en directo, o traes un archivo que ya tienes. Vext, el programa para transcribir entrevistas que usa este flujo, graba micrófono y audio del sistema como flujos separados, así que funcionan tanto una entrevista presencial como una por Zoom o por teléfono. Si grabaste con un aparato aparte, transcribe_file acepta wav, m4a, mp3 y aiff desde el disco.

2. Transcribir en el dispositivo. Parakeet TDT v3 se ejecuta a través de FluidAudio en Apple Silicon. No se sube nada. Transcribir una entrevista larga es rápido —el modelo corre muy por encima del tiempo real—, así que noventa minutos no son un trabajo para dejar toda la noche.

3. Obtener etiquetas de hablante. La diarización también corre en local y separa quién dijo qué. Los perfiles de voz persisten entre sesiones, que es lo útil en trabajo longitudinal: si entrevistas tres veces a la misma persona, nombrarla una vez sirve para las siguientes. Puedes renombrar, fusionar o borrar perfiles según necesites; el manejo multilingüe y de hablantes llegó en la 1.2.0.

4. Conservar el transcrito en bruto. Este es el paso que la gente hace mal. Usa el estilo Tal cual para la versión de archivo. No aplica ninguna reformulación por IA: obtienes el transcrito tal como lo produjo el reconocedor, que es lo que necesitas para citas y codificación. Genera aparte una versión limpia o resumida si la quieres, pero que nunca sustituya al original.

5. Exportar. Markdown, txt, srt o vtt. SRT y VTT llevan marcas de tiempo, que es lo que querrás si vas a volver al audio para comprobar una cita.

brew install muvon/tap/vext

Transcripción de entrevistas multilingües

La cobertura de idiomas de la transcripción es amplia: más de 99 lenguas a través del modelo de voz. Aparte de eso, si necesitas el transcrito en otro idioma, hay 29 lenguas de destino para traducción, o conservas el original.

Mantén estas dos cosas separadas, y separa también los resultados. Un transcrito traducido no es un documento fuente. Para cualquier cita que vaya a publicarse o codificarse, trabaja desde el transcrito en el idioma original y trata la traducción como ayuda de lectura. Si vas a publicar una cita traducida, quieres el criterio de una persona traductora, no el de un modelo.

Qué esperar en cuanto a precisión

Expectativas realistas, porque el audio de entrevista es más difícil que el dictado:

Bien: audio claro uno a uno, un micrófono decente, participantes que apenas se solapan. Los modelos locales actuales lo manejan bien.

Peor: mucho ruido de fondo, gente hablando encima, acentos marcados combinados con audio pobre, tres o más hablantes con voces parecidas. Los errores aparecerán primero en la diarización: las palabras suelen estar bien mientras la atribución se desplaza.

El arreglo que de verdad funciona: añade nombres, organizaciones, términos técnicos y nombres de proyecto al vocabulario personalizado antes de empezar. Los transcritos de entrevistas están cargados de nombres propios, y los nombres propios son justo lo que los reconocedores fallan. Diez minutos de vocabulario ahorran más tiempo de corrección que cualquier otro paso.

El paso que no puedes saltarte: verifica cada cita contra el audio antes de publicar. Esto vale para toda herramienta de transcripción a cualquier precio, incluidas las personas transcriptoras. Las exportaciones con marcas de tiempo existen precisamente para que esa comprobación sea rápida.

Limpieza, con cuidado

Los transcritos de entrevistas están llenos de muletillas, arranques en falso y repeticiones. Para una versión legible —compartir con un colega o redactar a partir de ella— una pasada de limpieza ayuda. Los estilos de Vext pueden reestructurar un transcrito en prosa limpia o en viñetas usando un modelo local, el mismo mecanismo descrito en limpieza de texto con IA.

Dos reglas. La limpieza es para la versión derivada, nunca para la de archivo. Y cualquier frase que vaya a aparecer impresa vuelve al transcrito en bruto y de ahí al audio. Un modelo que pule la gramática puede cambiar el sentido sin que se note, y «la herramienta lo suavizó» no es una fe de erratas defendible.

Por qué aquí lo local es la clave

La conversación sobre cumplimiento se acorta. No hay lista de subencargados que revisar, ni análisis de transferencia internacional, ni contrato de tratamiento de datos, ni superficie de brecha que custodie el audio de tus fuentes. Para protocolos de comités de ética, políticas de redacción e investigación de usuarios bajo acuerdo de confidencialidad, «el audio nunca salió del portátil» es una respuesta que cierra la discusión en lugar de abrirla.

También significa que no hay tarifas por minuto. La transcripción en la nube factura por duración del audio, y la investigación con entrevistas genera muchas horas. Vext cuesta 49 $ una sola vez, con una prueba de 100 dictados, en macOS 14 o posterior con Apple Silicon. Si tu trabajo abarca ambos terrenos, el flujo general de reuniones está en transcribir reuniones en local.