Ejemplo de transcripción: una entrevista, una conversación y un vídeo en seis estilos

Un buen ejemplo de transcripción muestra el mismo fragmento en varios estilos, porque solo al compararlos se ve qué cambia cada regla. Aquí tienes una entrevista inventada de 40 segundos con la dueña de un taller de bicicletas, transcrita de seis maneras: literal, limpia, editada, con marcas de tiempo, como entrevista para una investigación y como transcripción de un vídeo con descripción de la imagen. Cada versión se copia como texto plano; debajo verás qué conserva, qué quita y para qué sirve.

La conversación de todos los ejemplos

La conversación la hemos escrito nosotros; no es una grabación real. En 40 segundos reúne casi todo lo que complica una transcripción: «eh», muletillas como «pues», «o sea», «mira» y «bueno», una repetición, una palabra cortada, un «ajá» de la entrevistadora, una risa, una pausa, una palabra que no se entiende y un momento en que las dos hablan a la vez. Primero escribimos la versión literal y después sacamos de ella todas las demás, borrando o sustituyendo las partes marcadas. Las diferencias que ves se deben solo a las reglas.

La versión literal tiene 84 palabras y la limpia, 73. La editada, reescrita para leerla, se queda en 52.

Ejemplo 1: transcripción literal

Todo lo que se oye, tal como se dijo.

Entrevistadora: Eh, ¿desde cuándo aceptáis reservas por internet?
Dueña: Pues desde marzo. Antes todo era por teléfono y perdíamos... perdíamos, o sea, una de cada tres llamadas. Javi llevaba la cuenta. [risas]
Entrevistadora: Ajá.
Dueña: Mira, el teléfono siempre suena cuando estás con las manos [pausa] llenas de grasa. Así que probamos con una página de reservas.
Entrevistadora: ¿Y funcionó?
Dueña: Bueno, en general sí. La gente sigue llamando, pero los que no se presentan han bajado, eh, muchísimo. Los SMS de recordatorio [inaudible 00:00:31] bastante.
Entrevistadora: [a la vez] ¿Lo volverías a hacer?
Dueña: [a la vez] Sin du... sin duda.

Conserva el «Eh», las muletillas «Pues», «o sea», «Mira» y «Bueno», la repetición «perdíamos... perdíamos», la palabra cortada «Sin du...», el «Ajá» de la entrevistadora, la pausa, la risa, la palabra inaudible con su tiempo y el momento en que hablan a la vez. Los corchetes son nuestra notación, no una norma oficial.

Úsala cuando importa cómo se dijo algo, no solo qué se dijo: análisis del discurso, entrevistas en las que el tono cuenta, documentos con valor de prueba. Y guárdala aunque nadie más vaya a leerla: de ella salen todas las demás versiones, al revés no.

Si lo que estudias es la propia conversación, con sus turnos, pausas y solapamientos, necesitas un sistema más fino, como el del grupo Val.Es.Co. de la Universitat de València: marca las pausas con barras según su duración, los silencios con los segundos entre paréntesis y el habla simultánea con corchetes. Según sus autores, la transcripción puede estrecharse o ensancharse según el objetivo, por ejemplo prescindiendo de reinicios y solapamientos en un estudio léxico. La tabla completa de signos está en nuestra guía para transcribir una entrevista.

Ejemplo 2: transcripción limpia

Entrevistadora: ¿Desde cuándo aceptáis reservas por internet?
Dueña: Desde marzo. Antes todo era por teléfono y perdíamos una de cada tres llamadas. Javi llevaba la cuenta. [risas] El teléfono siempre suena cuando estás con las manos llenas de grasa. Así que probamos con una página de reservas.
Entrevistadora: ¿Y funcionó?
Dueña: En general sí. La gente sigue llamando, pero los que no se presentan han bajado muchísimo. Los SMS de recordatorio [inaudible 00:00:31] bastante.
Entrevistadora: [a la vez] ¿Lo volverías a hacer?
Dueña: [a la vez] Sin duda.

La limpia conserva todas las palabras con significado y quita lo que solo estorba al leer: el «eh», las muletillas, la repetición, la palabra cortada y el «ajá», que no respondía a ninguna pregunta. Sin el «ajá», los dos turnos de la dueña se juntan en uno. Tres cosas se quedan a propósito:

• La gramática tal como se habló. Las pautas de accesibilidad del W3C dicen que normalmente no procede corregir la gramática, y las reglas de transcripción que publica GoTranscript dicen lo mismo. Val.Es.Co., por lo general, tampoco marca las incorrecciones gramaticales en su corpus.
• La risa. Indica que lo de llevar la cuenta era medio en broma.
• La marca de inaudible con su tiempo. Borrarla escondería un hueco, y el tiempo permite volver a escucharlo.

Sirve para entrevistas que vas a citar, pódcast y la mayoría de las grabaciones de trabajo. Deja tus reglas por escrito para que todas las transcripciones se limpien igual.

Ejemplo 3: versión editada

Entrevistadora: ¿Desde cuándo aceptáis reservas por internet?
Dueña: Desde marzo. Antes todas las reservas llegaban por teléfono y perdíamos una de cada tres llamadas, porque el teléfono sonaba mientras arreglábamos bicis. Con la página de reservas, muchos menos clientes faltan a su cita. Los SMS de recordatorio [una palabra inaudible] bastante.
Entrevistadora: ¿Lo volverías a hacer?
Dueña: Sin duda.

Aquí la lengua hablada se convierte en texto escrito: las frases se unen y se reformulan. Funciona para una entrevista publicada en un blog, en un boletín o en las notas de un pódcast. Aun así, dos reglas:

• No cites de ella. La dueña nunca dijo «muchos menos clientes faltan a su cita».
• Deja marcado el hueco. La palabra que falta en «Los SMS de recordatorio [inaudible] bastante» podría ser «ayudan», pero también «molestan». Una versión editada que rellena el hueco sin avisar puede decir lo contrario de lo que se dijo.

Ejemplo 4: transcripción con marcas de tiempo

[00:00:02] Entrevistadora: ¿Desde cuándo aceptáis reservas por internet?
[00:00:05] Dueña: Desde marzo. Antes todo era por teléfono y perdíamos una de cada tres llamadas. Javi llevaba la cuenta. [risas] El teléfono siempre suena cuando estás con las manos llenas de grasa. Así que probamos con una página de reservas.
[00:00:24] Entrevistadora: ¿Y funcionó?
[00:00:25] Dueña: En general sí. La gente sigue llamando, pero los que no se presentan han bajado muchísimo. Los SMS de recordatorio [inaudible 00:00:31] bastante.
[00:00:33] Entrevistadora: [a la vez] ¿Lo volverías a hacer?
[00:00:34] Dueña: [a la vez] Sin duda.

Es la versión limpia con una marca de tiempo en cada cambio de hablante, en horas, minutos y segundos con ceros delante. Es un formato frecuente para reuniones, pódcast y conversaciones largas, cuando hay que encontrar un pasaje en la grabación. La respuesta de la dueña empieza en 00:00:05 y sigue después del «ajá» de 00:00:14; como la versión limpia junta los dos turnos, cuenta la primera marca.

Fireflies te deja activar o desactivar las marcas de tiempo y el nombre de los hablantes al descargar una transcripción en PDF, DOCX, SRT, CSV, JSON o Markdown; las descargas son de los planes Pro y superiores. Otras notaciones y cada cuánto poner una marca se explican en nuestra guía de la transcripción con marcas de tiempo.

Ejemplo 5: entrevista para una investigación

Proyecto: entrevistas a pequeños negocios, entrevista 03
Grabación: entrevista-03.mp4, 40 segundos
Participantes: E = entrevistadora, P1 = dueña de un taller de bicicletas
Estilo: transcripción limpia, nombres sustituidos, [inaudible] con su tiempo
Transcripción: [iniciales]; revisión: [iniciales]

[00:00:02] E: ¿Desde cuándo aceptáis reservas por internet?
[00:00:05] P1: Desde marzo. Antes todo era por teléfono y perdíamos una de cada tres llamadas. [su hermano] llevaba la cuenta. [risas] El teléfono siempre suena cuando estás con las manos llenas de grasa. Así que probamos con una página de reservas.
[00:00:24] E: ¿Y funcionó?
[00:00:25] P1: En general sí. La gente sigue llamando, pero los que no se presentan han bajado muchísimo. Los SMS de recordatorio [inaudible 00:00:31] bastante.
[00:00:33] E: [a la vez] ¿Lo volverías a hacer?
[00:00:34] P1: [a la vez] Sin duda.

Una transcripción para un trabajo de fin de grado, una tesis o un estudio con usuarios empieza con una cabecera que dice qué es el archivo y cómo se hizo. Usa códigos en lugar de nombres (E para la entrevistadora, P1 para la primera participante) y sustituye los nombres que podrían identificar a alguien: «Javi» pasa a ser «[su hermano]». Val.Es.Co. hace algo parecido en su corpus, donde los nombres de personas y lugares no suelen ser los reales. La línea de estilo es la más importante: quien lea o codifique la transcripción después tiene que saber si las muletillas se quitaron a propósito. Si tu director de tesis o tu grupo de investigación tiene normas propias, esas van primero.

Ejemplo 6: transcripción de un vídeo con descripción de la imagen

[00:00] [En pantalla: un pequeño taller de bicicletas. Texto: «Entrevista, octubre de 2026»]
[00:02] Entrevistadora: ¿Desde cuándo aceptáis reservas por internet?
[00:05] Dueña: Desde marzo. Antes todo era por teléfono y perdíamos una de cada tres llamadas. Javi llevaba la cuenta. [risas]
[00:15] El teléfono siempre suena cuando estás con las manos llenas de grasa. Así que probamos con una página de reservas.
[00:20] [Primer plano: la dueña se limpia las manos con un trapo]
[00:24] Entrevistadora: ¿Y funcionó?
[00:25] Dueña: En general sí. La gente sigue llamando, pero los que no se presentan han bajado muchísimo. Los SMS de recordatorio [inaudible 00:00:31] bastante.
[00:28] [En pantalla: un móvil muestra una confirmación de cita]
[00:33] Entrevistadora: [a la vez] ¿Lo volverías a hacer?
[00:34] Dueña: [a la vez] Sin duda.

La transcripción de un vídeo añade lo que se ve y no se oye: texto en pantalla, quién habla y acciones que importan para entenderlo. El W3C la llama transcripción descriptiva («descriptive transcript»). Las personas sordociegas la necesitan, porque no les llega ni el sonido ni la imagen, y ayuda a cualquiera que prefiera leer. Según las WCAG, un contenido grabado solo de audio necesita una transcripción en el nivel A, y uno solo de vídeo, una transcripción descriptiva o una audiodescripción; en un vídeo con sonido, los subtítulos son de nivel A y la transcripción, de nivel AAA.

Tres consejos de las pautas del W3C:

• Marcas de tiempo solo si ayudan, y sin hora de fin. En un clip corto bastan minutos y segundos.
• ¿Partes de los subtítulos? Añade el texto que aparece en pantalla y el nombre de quien habla, que los archivos de subtítulos suelen omitir.
• Una tabla de dos columnas, con el sonido a la izquierda y la imagen a la derecha, deja saltarse las descripciones.

Para un vídeo de YouTube ajeno, empieza por el panel de transcripción que explicamos en la transcripción de un vídeo de YouTube. Para un vídeo propio, toma su archivo de subtítulos, pasa el SRT a texto y añade las líneas de descripción.

Qué conserva y qué quita cada estilo

Todas las versiones a partir de la literal

El orden importa. Borrar muletillas de una transcripción literal lleva unos minutos; las que nunca escribiste no se pueden recuperar.

1. Escribe o corrige primero la versión literal y guárdala como original. No la toques más.
2. Haz la limpia sobre una copia: borra «eh», muletillas, repeticiones y palabras cortadas, quita las señales de escucha que no responden a nada y junta los turnos que quedan seguidos. Revisa cada «bueno» y cada «pues» antes de borrarlo: en «bueno, lo firmamos», «bueno» marca una decisión.
3. Saca de la limpia los demás formatos: marcas de tiempo, cabecera con códigos o líneas de descripción.
4. Escribe la editada al final, y no cites nunca de ella.

En nuestro ejemplo, el paso 2 deja el texto en 73 de las 84 palabras, y los ocho turnos se quedan en seis.

Con el español, Descript no te ayuda en el paso 2: detecta automáticamente muletillas como «um» y «uh», pero su centro de ayuda indica que solo funciona con transcripciones en inglés. Las muletillas en español las quitas tú, por ejemplo con la función de buscar y reemplazar de tu procesador de textos. Fireflies entrega la transcripción con o sin marcas de tiempo y nombres de hablantes, pero no decide por ti qué «bueno» importa. Las formas gratuitas de conseguir el primer borrador están comparadas en nuestra guía para transcribir un MP3 a texto. Si lo que necesitas son decisiones y tareas, no palabras, redacta un acta de reunión.