Pepys

Blog

Los límites reales de transcripción de las IA en 2026: el tope de cada herramienta

La IA que ya pagas no es una herramienta de transcripción, y sus límites lo demuestran. Aquí tienes la cifra exacta de ChatGPT, Claude, Gemini, NotebookLM y Otter, verificada con la documentación de cada proveedor.

Por Pepys · Publicado

Este artículo es una adaptación al español del original en inglés «AI Transcription Limits in 2026: Every Major Tool». Las cifras y las fuentes son las mismas. Leer el original en inglés

La versión corta

No: las IA generalistas que ya pagas no están pensadas para transcribir audios largos. La API de OpenAI limita cada archivo a 25 MB (unos 25 minutos), la app de Claude rechaza el audio por completo, Gemini gratis admite solo 10 minutos de audio por consulta y NotebookLM convierte la grabación en un bloque de texto que no se puede exportar. Última verificación: 2026-07-12.

La IA que ya pagas no es una herramienta de transcripción

Pídele a ChatGPT que transcriba una entrevista de dos horas y lo intentará, pero fallará. Pídeselo a Claude y ni siquiera aceptará el archivo. No es un fallo que se arregle con un mejor prompt: todos los asistentes generalistas tratan el audio como una función añadida con un techo duro, y cuando conoces la cifra exacta de cada techo el patrón es imposible de ignorar.

La razón no es pereza, es arquitectura, y llegaremos a la restricción de 30 segundos que está debajo de todo. Primero, los números que las herramientas no anuncian en su página de precios. A continuación está el límite real de cada herramienta importante en 2026, tomado de la documentación de los proveedores, para que puedas responder a «¿aguantará mi grabación?» antes de llevar una hora esperando a que se rinda.

Una advertencia desde el principio: son cifras que se mueven. ChatGPT Record, el audio de Gemini y los planes de NotebookLM han llegado en el último año, así que cada dato debe leerse como una instantánea. Última verificación: 2026-07-12. Si lees esto mucho después, toma los números como punto de partida y vuelve a comprobar la fuente enlazada.

ChatGPT: el muro de los 25 MB

La API de transcripción de OpenAI limita cada archivo a 25 MB, en todos los formatos admitidos (mp3, mp4, mpeg, mpga, m4a, wav, webm). Esa única cifra es el muro detrás de «ChatGPT no acepta mi archivo». Todo lo que pese más hay que comprimirlo o dividirlo en fragmentos antes de enviarlo. En un MP3 típico de 128 kbps equivale a unos 25 minutos de audio; es una aproximación, porque el límite documentado es el tamaño de 25 MB, no una duración.

Hay un segundo límite, más discreto, que sorprende a mucha gente: el formato y las funciones. De los modelos de transcripción de OpenAI, solo whisper-1 devuelve marcas de tiempo por palabra y salidas SRT, VTT o JSON detallado. Los más nuevos, gpt-4o-transcribe y gpt-4o-mini-transcribe, devuelven solo texto plano o JSON, sin archivos de subtítulos. Además, whisper-1 no puede identificar hablantes; la diarización solo la admite el modelo aparte gpt-4o-transcribe-diarize. Es decir, el modelo que te da subtítulos no es el que te separa los turnos de palabra.

Nada de esto hace inútil a ChatGPT para un clip corto. Lo hace inadecuado para una grabación larga y con varias voces. Si quieres un recorrido completo, en transcribir audio a texto explicamos cómo hacerlo con archivos de cualquier tamaño.

Claude: no acepta audio

La página de ayuda «Subir archivos a Claude» enumera solo dos categorías de archivos admitidos: documentos (PDF, DOCX, CSV, TXT, HTML, ODT, RTF, EPUB, JSON, XLSX) e imágenes (JPEG, PNG, GIF, WebP). El audio y el vídeo no figuran. No puedes soltar un MP3 o un M4A en la app web o de escritorio de Claude y recibir una transcripción.

No es un descuido que se pueda sortear: es cómo funciona el producto. Los modelos de Anthropic no aceptan audio de forma nativa, de modo que cualquier flujo descrito como «transcripción con Claude» significa que el audio se transcribió en otro sitio y el texto resultante se pegó después. Claude es excelente para limpiar, resumir o reestructurar una transcripción que ya tienes. Simplemente no es lo que convierte el sonido en palabras.

Gemini: diez minutos por consulta en el plan gratuito

Google añadió la subida de audio a la app de Gemini el 8 de septiembre de 2025, con un tope de duración que la mayoría de los usuarios gratuitos alcanza enseguida: hasta 10 minutos de audio en total por consulta. Ese presupuesto es acumulado y se reparte entre hasta 10 archivos adjuntos en una misma consulta, así que un par de notas de voz pueden agotar el margen de un turno.

Pagar eleva el techo de forma considerable: los suscriptores de Google AI Pro y AI Ultra pueden subir hasta 3 horas de audio. Pero subir el límite no cambia el resultado: la app de Gemini devuelve un análisis en texto corrido, no un archivo SRT/VTT con subtítulos ni una transcripción con hablantes separados. Una entrevista de tres horas sigue llegando como prosa que tienes que pedir y unir a mano, sin marcas de tiempo ni etiquetas de hablante.

Una nota de honestidad sobre esta cifra: los límites exactos proceden del anuncio de Google de septiembre de 2025 tal como lo recogieron varios medios, no de una página de ayuda permanente que enumere los minutos, así que considérala bien fundamentada pero sujeta a cambios.

NotebookLM: tu grabación se convierte en un bloque que no puedes exportar

NotebookLM es un caso interesante, porque sí acepta audio (MP3, WAV, M4A y más) y lo transcribe al importarlo. Los usuarios gratuitos tienen 50 fuentes por cuaderno, cada una con un tope de 500.000 palabras o 200 MB. Sobre el papel suena generoso.

El problema es lo que recibes a cambio. NotebookLM es una herramienta de investigación basada en tus fuentes, no una herramienta de exportación de transcripciones. Responderá encantado a preguntas sobre tu grabación, pero el texto transcrito no tiene marcas de tiempo ni etiquetas de hablante, y no hay forma de descargarlo como SRT, VTT o DOCX. Tu entrevista de dos horas se convierte en un bloque consultable, nunca en un documento que puedas entregar. (Esa ausencia es comportamiento observado del producto, no un límite declarado, así que compruébala en tu propio cuaderno si es importante para ti.)

Para quien necesita una pista de subtítulos, un artículo con citas verificadas o un archivo para otra herramienta, es un callejón sin salida. Es la misma queja que se repetía cuando leímos 100 hilos de Reddit sobre transcripción.

Otter y ChatGPT Record: el techo de las herramientas de reuniones

Las herramientas pensadas para reuniones rinden mejor que los asistentes generalistas, pero sus planes gratuitos y de entrada también tienen tope. El plan Basic (gratuito) de Otter.ai permite 300 minutos de transcripción al mes, 30 minutos por conversación y solo 3 importaciones de audio o vídeo de por vida. Una sola grabación larga supera el límite por conversación, y un puñado de subidas agota las importaciones para siempre. (Otter ha cambiado la cifra de importaciones en el pasado, y por eso importa la fecha de última verificación.)

ChatGPT Record es el otro participante en reuniones, y es más limitado de lo que parece. Funciona solo en la app de escritorio para macOS, está restringido a los espacios de trabajo Plus, Pro, Business, Enterprise y Edu, y produce un resumen editable con citas con marcas de tiempo y tareas pendientes, no una transcripción con hablantes separados que puedas conservar. Reseñas de terceros indican un tope por sesión de unas 2 horas (120 minutos), pero esa cifra no está confirmada en la documentación de OpenAI, así que léela como dato reportado, no oficial.

Si lo que atrae de estas herramientas es «solo lo necesito de vez en cuando», lo razonable es una herramienta de pago por uso y no un plan recurrente que usas a rachas; puedes ver cómo funciona en los precios de Pepys. Y si lo que quieres es sobre todo la idea general, transcribir y resumir reuniones es una respuesta legítimamente buena.

Por qué existen los techos: el motor solo ve 30 segundos

Esta es la arquitectura que explica todos los límites anteriores. Whisper, el modelo de voz de OpenAI que hay bajo la mayoría de estas herramientas, se entrenó con fragmentos de audio de 30 segundos, y el artículo que lo presenta afirma que los modelos «no pueden procesar entradas de audio más largas de una sola vez». El audio largo hay que cortarlo en segmentos de 30 segundos y recomponerlo con marcas de tiempo predichas. Esa única restricción es la razón de fondo por la que cada herramienta de consumo impone un límite de fragmento o de tamaño en algún punto.

Conviene decir que Whisper es muy bueno en aquello para lo que está diseñado. Los benchmarks publicados le dan un 2,7 % de tasa de error de palabras (WER) en LibriSpeech test-clean, una precisión casi humana en habla leída y limpia, tras entrenarse con 680.000 horas de audio, con una reducción relativa media del error del 55,2 % frente a modelos supervisados al evaluarlo sin ajuste previo con datos fuera de su distribución. Si quieres la versión en lenguaje llano de esa métrica, puedes seguir la guía para transcribir una entrevista, donde la calidad de la grabación pesa tanto como la herramienta.

Donde las herramientas gratuitas se desmoronan: la conversación real

El 2,7 % es el mejor caso. El mismo artículo sobre Whisper muestra que la precisión se desploma en cuanto sales del habla leída y limpia: 9,0 % de WER en Common Voice, 13,8 % en Switchboard, 17,6 % en habla telefónica CallHome y 36,4 % en AMI SDM1, audio de reuniones con varios hablantes y micrófono lejano. Una reunión real grabada con el micrófono de un portátil al otro lado de la mesa se parece mucho más a esa última cifra que a la primera. Ahí es donde una herramienta gratuita pasa de «impresionante» a «¿por qué una de cada tres palabras está mal?», y gran parte se puede mejorar antes de transcribir, empezando por cuidar la grabación.

Luego está la cuenta del volumen. Una conversación en inglés ronda entre 120 y 150 palabras por minuto, así que una entrevista de dos horas se acerca a las 18.000 palabras. Compáralo con los techos anteriores: supera de largo el muro de 25 MB de ChatGPT (unos 25 minutos), multiplica por doce el tope de 10 minutos por consulta de Gemini gratis y cuadruplica el límite de 30 minutos por conversación de Otter Basic. Las herramientas generalistas no se quedan un poco cortas para el trabajo largo: se quedan cortas por un orden de magnitud.

Entonces, ¿qué herramienta conviene usar?

Para un clip corto y puntual, como una nota de voz de dos minutos o una cita que quieres comprobar, la respuesta honesta es que una herramienta gratuita es la adecuada. ChatGPT lo resolverá, el dictado integrado del móvil también, y no hay motivo para pagar nada. Usa la opción gratuita y no le des más vueltas.

Las herramientas fallan en un trabajo concreto: audio largo, con varias voces y que necesita exportarse. Una entrevista completa, una declaración, una temporada de episodios de pódcast, un corpus de investigación que debe salir en archivos de verdad. Para esa forma de trabajo se creó Pepys: grabaciones largas (hasta 10 horas por archivo), de modo que una grabación de dos horas no muere a los 30 minutos; exportaciones reales (TXT, SRT, VTT, DOCX, PDF, JSON) en lugar de un bloque que solo puedes consultar; y sin entrenar con tu audio. Aparece aquí al final y no al principio porque, para todo lo que una herramienta gratuita ya resuelve, debes usar la gratuita. Pepys es la respuesta para la grabación que te ha traído hasta aquí.

Preguntas frecuentes

¿Puede ChatGPT transcribir una entrevista de 2 horas de una sola vez?

No. La API de transcripción de OpenAI limita cada archivo a 25 MB, unos 25 minutos de audio MP3 típico, así que un archivo de dos horas hay que comprimirlo o dividirlo en fragmentos por debajo de ese muro y transcribirlo por partes. No existe un camino de una sola pasada para un archivo de ese tamaño.

¿Puedo subir un archivo de audio a Claude?

No. El centro de ayuda de Claude indica que solo se admiten documentos e imágenes; el audio y el vídeo no son compatibles. Los modelos de Anthropic no aceptan audio de forma nativa, así que «transcribir con Claude» siempre significa transcribir primero el audio en otro sitio y pegar el texto.

¿NotebookLM me da un archivo de transcripción?

No en el sentido en que la mayoría lo entiende. NotebookLM transcribe el audio como una fuente de texto (50 fuentes por cuaderno en el plan gratuito, cada una con un tope de 500.000 palabras o 200 MB), pero el texto no tiene marcas de tiempo ni etiquetas de hablante ni exportación a SRT, VTT o DOCX. Puedes hacerle preguntas, pero no descargar una transcripción limpia.

¿Por qué todas estas herramientas limitan la duración del audio?

Porque Whisper, el modelo que hay bajo la mayoría de ellas, procesa el audio en fragmentos de 30 segundos y, según su propio artículo, no puede procesar entradas más largas de una sola vez. Las grabaciones largas hay que cortarlas y recomponerlas con marcas de tiempo predichas, y cada herramienta de consumo fija un límite de fragmento o de tamaño en torno a esa restricción.

¿Son definitivos estos límites?

No. ChatGPT Record, el audio de Gemini y los planes de NotebookLM han cambiado en el último año, y los precios y los topes se mueven constantemente. Todas las cifras de este artículo se verificaron por última vez el 2026-07-12; vuelve a comprobar la fuente enlazada del proveedor antes de apoyarte en un número concreto.

Referencias

  1. 1.Speech to text – guía de la API (tope de 25 MB; whisper-1 con SRT/VTT y marcas por palabra; modelo de diarización) – OpenAI
  2. 2.Subir archivos a Claude – solo se admiten documentos e imágenes – Anthropic
  3. 3.Ya puedes subir archivos de audio a la app de Gemini (10 min/día gratis; 3 horas en Pro/Ultra) – 9to5Google
  4. 4.Añadir o descubrir fuentes nuevas – NotebookLM (50 fuentes gratis; 500.000 palabras / 200 MB por fuente) – Google
  5. 5.Precios de Otter.ai – Basic: 300 min/mes, 30 min/conversación, 3 importaciones de por vida – Otter.ai
  6. 6.ChatGPT Record – resumidor de reuniones solo para macOS y según el plan – OpenAI
  7. 7.Artículo de Whisper de OpenAI (Radford et al., 2022) – benchmarks de WER, ventana de 30 s – OpenAI / arXiv
  8. 8.Velocidad media de habla y palabras por minuto – VirtualSpeech

Sigue leyendo

Mantén Pepys en tus resultados de Google

Si nuestras guías de transcripción te resultan útiles, añade Pepys como fuente preferida en Google.

Añadir Pepys como fuente preferida en Google

No te fíes solo de lo que decimos nosotros.

Pregúntale a ChatGPT, Claude o Perplexity qué es Pepys y para quién está pensado. Un clic y tu IA favorita hace la tarea por ti.

¿Tienes una grabación larga que las demás herramientas no aguantan?

Empieza con 60 minutos gratis, sin tarjeta, y paga solo por lo que uses.