Cómo generar subtítulos automáticamente, sincronizados con la voz
La forma más fiable de generar subtítulos automáticamente es no transcribir nada: escribe primero el guion, deja que la voz lo lea en una sola toma y sincroniza cada subtítulo con las pausas de esa grabación. Así, las palabras en pantalla son exactamente las que se oyen y solo queda calcular los tiempos.
Así recibe sus subtítulos cada vídeo de PageToVid: incrustados en la imagen y exportados en un archivo WebVTT. Esta guía es para un pequeño negocio o un equipo de marketing que necesita vídeos subtitulados en uno o varios idiomas, y analiza un vídeo real en hindi, subtítulo a subtítulo.
Shifa Clinic, en hindi: un vídeo 16:9 de 50 segundos hecho a partir de la página «Visit Us» de la clínica, 107 palabras habladas y diez subtítulos en devanagari. Su versión en inglés sale de la misma página.
Dos maneras de generar subtítulos automáticamente
Casi todas las herramientas de subtitulado automático escuchan un vídeo terminado y adivinan las palabras. Es la única opción cuando el material ya está grabado: un webinar, una entrevista, un vídeo de móvil. Si el vídeo aún no existe, hay un orden mejor: primero el texto, luego la voz y al final los subtítulos.
| Reconocimiento de voz sobre el vídeo | Subtítulos desde el guion (PageToVid) | |
|---|---|---|
De dónde salen las palabras | De lo que un modelo cree haber oído | Del guion que se le dio a la voz |
Errores típicos | Nombres propios, acentos, jerga, ruido de fondo | Ninguno en las palabras; solo pueden desviarse los tiempos |
Tiempos | A partir de las palabras reconocidas | A partir de las pausas de la única toma de voz |
Marcas y cifras | A menudo mal entendidas | Escritas tal como las escribiste |
Ideal para | Material que ya grabaste | Vídeos hechos desde una página o un guion escrito |
YouTube lo reconoce en su propia ayuda: los subtítulos automáticos pueden tergiversar lo dicho por una mala pronunciación, un acento, un dialecto o el ruido de fondo, y hay que revisarlos siempre. Unos subtítulos sacados del guion se ahorran esa revisión de palabras. La diferencia entre subtítulos, subtítulos para personas sordas y subtítulos incrustados está en subtítulos y subtitulado; las herramientas que parten de un texto o de una URL en lugar de un vídeo están en la página de comparativas.
Cómo sincronizamos los subtítulos con una sola toma de voz
La locución de un vídeo de PageToVid es una grabación continua, y cada escena es un tramo de ella (lee la locución marca la duración). Por eso, lo que decide si los subtítulos parecen sincronizados es dónde empieza cada escena dentro de esa grabación.
Antes sacábamos esos inicios de una alineación forzada, un modelo que escucha el audio. En un vídeo francés de ocho escenas, cada frontera caía unos 1,6 segundos antes de tiempo: el subtítulo cambiaba mientras la voz aún terminaba la frase anterior. La solución salió de la propia grabación. Un locutor hace sus pausas más largas entre párrafos, y cada escena es un párrafo, así que un vídeo de ocho escenas tiene sus siete fronteras en las siete pausas más largas. Cada cambio de escena se engancha a la pausa larga más cercana a su estimación.
Dentro de una escena, las palabras se cortan en un grupo por tramo hablado, mejor sobre la puntuación, y se reparten según lo que se tarda en decirlas: una cifra cuesta más que una letra, porque «1976» se lee como cuatro palabras. Medido contra una transcripción de ese vídeo francés, 3 palabras de 227 se desviaban más de medio segundo; con la alineación de vuelta, 83.
En pantalla, las palabras llegan en bloques de cinco como máximo, y el subtítulo de una escena nueva aparece unos 150 milisegundos antes de que vuelva la voz: el ojo nunca va por detrás del oído.
Generar subtítulos automáticamente, paso a paso
Todo el proceso, de una URL a un MP4 subtitulado y un archivo .vtt. Los subtítulos vienen activados por defecto y están en todos los planes, también en el primer vídeo gratis de una web.
Pega la página y elige el idioma
Abre un vídeo nuevo, pega la URL y elige el idioma de la locución. Los subtítulos se escriben en el mismo idioma y sistema de escritura que la voz: devanagari para el hindi, alfabeto árabe de derecha a izquierda para el árabe.
Deja marcado «Incrustar subtítulos»
Esa casilla hace dos cosas: dibuja los subtítulos en la imagen y escribe un archivo WebVTT junto al MP4. Desmárcala solo si el vídeo va a llevar sus propios subtítulos en otro sitio.
Elige un estilo de subtítulos
Cinco aspectos: Karaoke (el de la casa, la palabra hablada sobre una placa del color de la marca), Contundente (mayúsculas grandes para móvil), Cajas (una por palabra), Discreto (un rótulo sobrio) y Contorno. Si quieres, añade una animación para la palabra hablada: Pop, Rebote, Ola, Brillo o Deslizamiento.
Marca las palabras importantes
Rodea una palabra con dobles asteriscos en el texto de una escena y el subtítulo la dibuja en el color de la marca, un tamaño mayor; la voz nunca lee los asteriscos. El modo automático resalta además cifras, precios y porcentajes.
Renderiza y míralo una vez sin sonido
Los subtítulos solos tienen que contar la historia. En un segundo pase con sonido, una palabra resaltada que se adelanta o se retrasa es un problema de tiempos; una palabra equivocada, un problema de guion.
Descarga el archivo .vtt
La página del vídeo tiene un botón «Descargar subtítulos .vtt». Súbelo como pista de subtítulos donde el reproductor lo admita; YouTube incluye WebVTT entre sus formatos compatibles.
¿Necesitas el mismo vídeo en otros idiomas? Un pedido de traducción crea un vídeo nuevo por idioma, con la locución traducida, vuelta a grabar y vuelta a subtitular, hasta 6 idiomas de una vez: mira traducción de vídeos y localizar vídeos en varios idiomas.
Ejemplo real: el vídeo en hindi de Shifa Clinic
La página «Visit Us» de Shifa Clinic reúne lo práctico que necesita un paciente: dónde está la clínica, el horario de consultas, la tarifa y un teléfono para pedir cita. Hicimos con ella un vídeo de 50 segundos en hindi, 107 palabras habladas, en 16:9.
Su primer subtítulo va de 1,50 s a 3,87 s y dice «डॉक्टर के पास जाना मुश्किल है?» («¿Ir al médico es complicado?»). El archivo .vtt tiene diez subtítulos, uno por escena: la dirección junto al Crescent Public School, el horario de mañana y de tarde, el teléfono, la reserva en línea, la consulta a ₹200 y la llamada a reservar. El último termina en 45,17 s; los segundos restantes son la tarjeta final, sin voz que subtitular.
Tres cosas en las que fijarse:
- Cada subtítulo se lee sin prisa. Los diez duran entre 2,4 y 6,1 segundos, todos por debajo de los siete segundos que Netflix fija como máximo para un subtítulo. Lo que los mantiene cortos es la regla de una idea por escena.
- El subtítulo más largo es el teléfono. El sexto tiene siete palabras y dura 6,1 segundos, porque un número de once cifras se lee cifra a cifra; por eso nuestro cálculo cuenta una cifra como más cara que una letra.
- No se transliteró nada. Los subtítulos están en devanagari porque la locución se escribió en hindi.
El vídeo en inglés de la misma página dura 47 segundos, 85 palabras y siete subtítulos.
Corregir los subtítulos después del render
Como el texto de los subtítulos es la locución, solo hay tres tipos de arreglo, y cada uno cuesta distinto.
| Problema | Qué hacer | Coste |
|---|---|---|
Una palabra equivocada o torpe | Edita el texto de esa escena en el editor; la voz y el subtítulo cambian a la vez | Un render nuevo, 40 créditos |
La voz pronuncia mal un nombre | Añade una pronunciación (API o MCP): la voz dice la transcripción fonética y el subtítulo mantiene tu ortografía | Un render nuevo |
Subtítulos desfasados respecto a la voz | «Resincronizar subtítulos»: nuevos tiempos sobre la misma pista de voz, sin volver a grabar nada | Gratis la primera vez tras un render |
Todos los arreglos posibles, escena por escena, están en corregir un vídeo sin rehacerlo. Los planes y el coste de un render están en precios.
Errores que hacen difíciles de leer los subtítulos automáticos
- Dos frases de presentación en una sola escena. Una escena es un subtítulo en el archivo .vtt. Una escena que encadena un saludo y una cita se convierte en un subtítulo de diez segundos, demasiado largo para leerlo de un tirón.
- Confiar en el .vtt dentro de una red social. Las redes reproducen sin sonido y casi ninguna carga una pista aparte. Deja los subtítulos incrustados para redes y usa el .vtt en tu reproductor y en YouTube.
- Una marca que la voz pronuncia mal. Corrige la pronunciación, no la ortografía: deformar el nombre para ayudar a la voz lo deja mal escrito en pantalla.
- Texto propio en la franja de los subtítulos. Cada escena animada deja libre una franja abajo para los subtítulos; pon tus textos por encima.
Cuándo no usar PageToVid para subtitular
PageToVid subtitula los vídeos que crea; no subtitula un vídeo que subes tal cual.
Tus propias grabaciones. Para un webinar, una entrevista o un vlog, empieza por los subtítulos automáticos de YouTube: sube el vídeo, deja que YouTube lo transcriba y corrige el texto en la pestaña Subtítulos de YouTube Studio. YouTube ofrece subtítulos automáticos en más de noventa y cinco idiomas y avisa de que hay que revisarlos. Si quieres más control, un editor de subtítulos dedicado te da forma de onda, avisos de longitud de línea y exportación SRT o VTT.
Accesibilidad legal o emisión en televisión. Los subtítulos para personas sordas necesitan efectos sonoros e identificación de quién habla, cosa que un subtítulo de locución no lleva. Recurre a un servicio profesional de subtitulado.
Eventos en directo. El subtitulado en tiempo real es otro oficio: usa los subtítulos en directo de tu plataforma de emisión o un estenotipista.
Fuentes
Convierte tu sitio web en un vídeo — gratis
Pega la página que quieres filmar. PageToVid escribe el guion, graba el sitio real, pone la voz y entrega el MP4.
Preguntas frecuentes
¿Los subtítulos se generan con reconocimiento de voz?
No. El texto de los subtítulos es el guion que lee la voz, así que no puede entenderse mal. Solo se calculan los tiempos, a partir de las pausas de la grabación.
¿Puedo descargar los subtítulos en un archivo?
Sí. Cada vídeo con subtítulos tiene un archivo WebVTT (.vtt) que puedes descargar desde su página y usar como pista de subtítulos en tu reproductor o en YouTube.
¿Funcionan los subtítulos en hindi, árabe y otros alfabetos?
Sí. Los subtítulos usan el idioma y la escritura de la locución, devanagari para el hindi, y los idiomas que se escriben de derecha a izquierda, como el árabe, se muestran de derecha a izquierda.
¿Cuánto cuesta arreglar unos subtítulos desfasados?
La primera resincronización tras un render es gratis: vuelve a calcular los tiempos sobre la pista de voz que ya existe y renderiza de nuevo. Una segunda sobre el mismo render cuesta un render.