Transcripción de YouTube — Pega un video y obtén el texto

Pega cualquier enlace de YouTube —videos normales, Shorts, repeticiones de directos, podcasts, clases o cursos completos— y obtén una transcripción literal en el idioma hablado, un resumen en tu idioma y un archivo descargable. Sin menús de configuración, sin sacrificar el idioma original y sin copiar manualmente cada fragmento del panel de transcripción de YouTube.

Esta Skill convierte el contenido hablado de YouTube en texto que puedes buscar, citar y traducir. Funciona con cualquier video público de YouTube, en cualquier idioma, admite texto simple, Markdown con marcas de tiempo y subtítulos SRT, y selecciona automáticamente el formato según cómo formules la solicitud, no desde una página de ajustes.

Para quién es

• Investigadores y analistas que convierten entrevistas, podcasts y conferencias de una hora en texto consultable: lee en 5 minutos lo que habría requerido 90 minutos de reproducción
• Estudiantes y personas que aprenden por cuenta propia que guardan clases, tutoriales y series educativas para tomar apuntes, repasar y crear guías de estudio: la transcripción se convierte en tu libro de texto
• Periodistas y verificadores de datos que citan videos de YouTube, declaraciones públicas, entrevistas grabadas y discursos políticos: la transcripción es literal y nunca se reescribe, por lo que la cita coincide con lo que realmente se dijo
• Creadores de contenido que reutilizan videos largos de YouTube como Shorts, Reels, TikToks, artículos, newsletters o episodios de podcast: extrae el guion hablado en segundos
• Podcasters que convierten episodios publicados en YouTube en notas del programa, artículos y contenido indexable en buscadores
• Marketers e investigadores de la competencia que analizan canales rivales, videos de marca, webinars de ventas y demostraciones de producto: lee los argumentos sin pasar horas viendo videos
• Ingenieros, desarrolladores y estudiantes técnicos que guardan conferencias, tutoriales paso a paso y revisiones de código: buscar en texto es más rápido que recorrer una charla de 60 minutos para encontrar una demostración
• Estudiantes de idiomas que utilizan contenido de hablantes nativos como material de estudio: transcripción literal y resumen traducido en paralelo
• Traductores y equipos de localización que preparan el texto fuente para subtítulos, doblaje o versiones internacionales: una traducción precisa comienza con una transcripción precisa
• Equipos de accesibilidad y educadores que generan archivos SRT para personas con discapacidad auditiva cuando los subtítulos automáticos de YouTube no son suficientemente fiables
• Pastores, coaches y docentes que transcriben sermones, charlas y cursos en línea para archivos, materiales didácticos y contenido de seguimiento
• Profesionales y directivos que quieren consultar conferencias, discursos y presentaciones de resultados en un formato que permita leer y buscar, en lugar de reproducirlos en tiempo real

Qué problema resuelve

YouTube alberga el mayor archivo mundial de conocimiento hablado: entrevistas, podcasts, clases, conferencias, cursos, noticias, sermones, videos formativos y explicaciones de expertos. La plataforma ofrece subtítulos automáticos y un panel de transcripción, pero convertirlos en texto realmente utilizable es más difícil de lo necesario:

• El panel de transcripción no organiza por páginas ni párrafos y no se exporta limpiamente: al copiarlo, obtienes un bloque de fragmentos con marcas de tiempo que tarda más en limpiarse que en volver a escribirlo
• Los subtítulos automáticos fallan con acentos, vocabulario técnico, nombres propios y voces superpuestas: pueden servir para una visualización casual, pero no para citas precisas
• No existe una función integrada de resumen: incluso en videos de 90 minutos, donde obtener el resumen suele ser el objetivo principal
• No existe una exportación SRT sencilla para reutilizar o traducir el contenido: los creadores deben recurrir a herramientas externas
• No se puede buscar fácilmente entre varios videos: cada transcripción queda aislada en su propio panel

Existen servicios de transcripción de terceros, pero muchos fallan de una de estas tres maneras:

• Traducen la transcripción cuando no deberían. Querías citar literalmente a un invitado que habla español, pero la herramienta devolvió una paráfrasis en inglés. La cita original desaparece y una paráfrasis no sirve para periodismo, investigación o trabajo jurídico.
• Dejan el resumen en el idioma original. No lees alemán, pero el resumen llega en alemán. Ahora necesitas una segunda herramienta para traducirlo.
• Ocultan todo detrás de un menú de configuración. Solo querías pegar un enlace y escribir una frase, pero terminas configurando claves API, rutas de salida y distintas opciones.

El problema común es que estas herramientas están optimizadas para el ingeniero que construye el flujo de trabajo, no para el investigador, periodista, estudiante o creador que quiere completar una tarea en 30 segundos.

Esta Skill recibe un enlace y una frase. Devuelve el resultado adecuado.

Qué la hace diferente

1. Salida en dos idiomas de forma predeterminada.

La transcripción permanece literal en el idioma original del audio: cada cita se conserva palabra por palabra, exactamente como la pronunció el hablante. El resumen y los puntos clave aparecen en el idioma de tu conversación. Si un usuario angloparlante transcribe una entrevista en español, recibe una transcripción en español y un resumen en inglés. Si un usuario que escribe en mandarín transcribe una clase en japonés, recibe una transcripción en japonés y un resumen en mandarín. No hay selectores que cambiar ni parámetros de idioma que recordar. La salida bilingüe es la opción predeterminada porque responde a la necesidad real: una cita exacta en un idioma y una comprensión rápida en otro.

2. El formato de salida se determina por tu frase, no por un menú.

Di “dame subtítulos” → recibirás un archivo SRT listo para Premiere, DaVinci Resolve, CapCut o YouTube Studio. Di “con marcas de tiempo para encontrar la parte sobre precios” → recibirás Markdown con prefijos [MM:SS] en cada párrafo, citable hasta el segundo exacto. Si no indicas ningún formato → recibirás texto simple y limpio, fácil de leer, resumir y pegar en Notion, Google Docs u Obsidian. La detección de palabras clave funciona en cualquier posición o variante gramatical, en inglés, español, chino, japonés y coreano: “字幕”, “タイムスタンプ” y “자막” activan la misma salida que sus equivalentes en inglés. No hay página de ajustes ni selector de formatos. La interfaz es la frase que ibas a escribir de todos modos.

3. Rápida con contenido largo, incluso podcasts de tres horas.

Los podcasts extensos, conferencias de dos horas, clases universitarias completas, sesiones AMA y presentaciones de resultados son los contenidos donde más valor aporta una transcripción y donde muchas herramientas se vuelven más lentas. La mayoría de los transcriptores con IA envía primero la transcripción completa al modelo de resumen, lo que añade entre 60 y 120 segundos en videos largos y varios minutos en contenidos de varias horas. Esta Skill crea un extracto auxiliar con la primera y la última frase de cada párrafo y genera el resumen a partir de él. Utiliza aproximadamente la mitad de tokens de entrada, mantiene una calidad de resumen similar y reduce la espera de “cinco minutos para recibir un bloque enorme de texto” a “menos de dos minutos para obtener un resumen claro y un archivo guardado”. La transcripción literal completa sigue guardándose; esta optimización ocurre en segundo plano.

Contenido de YouTube compatible

Ejemplos

Ejemplo 1 — Investigar a partir de un podcast de dos horas

Un investigador prepara un informe y necesita identificar los principales argumentos de un podcast de dos horas con un experto del sector.

“¿Qué dijo el invitado sobre las interrupciones en la cadena de suministro? https://youtu.be/abc123def”

Qué recibe:

• Primero, la sección sobre la cadena de suministro: fragmentos literales con las palabras exactas del invitado y suficiente contexto para atribuirlas correctamente
• Un resumen de 2–4 frases sobre el episodio completo
• Entre 3 y 6 puntos clave con los principales temas
• La transcripción literal completa en un archivo descargable, disponible para citar línea por línea en el informe

Ejemplo 2 — Convertir un video largo de YouTube en un artículo

Un creador acaba de publicar un análisis de 45 minutos y quiere convertirlo en un artículo, una newsletter y varios clips sociales sin volver a ver el video.

“Transcribe este video con marcas de tiempo https://youtu.be/myvideo123”

Qué recibe:

• Un resumen de 2–4 frases que explica el desarrollo del argumento
• Entre 3 y 6 puntos clave utilizables como estructura del artículo o viñetas para la newsletter
• La transcripción completa en Markdown con prefijos [MM:SS] en cada párrafo, lista para pegar en Notion o Google Docs; las marcas de tiempo también sirven para seleccionar clips

Ejemplo 3 — Crear subtítulos para volver a publicar una conferencia

Un equipo de ingeniería quiere subir la conferencia del año anterior a su plataforma interna de formación con subtítulos SRT adecuados para accesibilidad.

“Dame subtítulos SRT para https://www.youtube.com/watch?v=xyz789”

Qué recibe:

• Un archivo .srt en formato SubRip estándar con códigos de tiempo correctos, listo para la plataforma interna, YouTube Studio, CapCut o cualquier editor
• Un resumen breve y puntos clave utilizables como descripción del video y metadatos de formación

Formatos de salida

Idiomas compatibles

El motor de transcripción admite inglés, español, portugués, francés, alemán, italiano, neerlandés, mandarín, cantonés, japonés, coreano, vietnamita, tailandés, indonesio, tagalo, árabe, hindi, urdu, ruso, turco, polaco, checo, húngaro y la mayoría de los principales idiomas europeos, asiáticos, de Oriente Medio y América Latina. En videos multilingües, por ejemplo cuando un presentador alterna entre inglés y español o un panel incluye participantes que hablan distintos idiomas, se utiliza el idioma predominante como base, pero la transcripción literal conserva todos los idiomas tal como fueron hablados.

No necesitas especificar el idioma. Las señales de la URL y del nombre del canal ayudan a detectarlo automáticamente. Si el primer intento no devuelve contenido, la Skill vuelve a intentarlo una vez en el idioma de tu conversación. Si ambos intentos están vacíos, se te pedirá confirmación. Normalmente significa que el video es privado, tiene restricciones de edad o región, es exclusivo para miembros o fue eliminado, no que el idioma se haya detectado incorrectamente.

Si ya conoces el idioma del audio, puedes mencionarlo en la solicitud, por ejemplo “este podcast en español” o “el audio está en japonés”, para omitir la detección y ahorrar unos segundos.

Precisión y resultados esperados

La transcripción es literal: se genera mediante un sistema de reconocimiento de voz y nunca se reescribe ni parafrasea. Las muletillas, repeticiones, vacilaciones y voces superpuestas se conservan tal como fueron pronunciadas. Esto es importante al citar para periodismo, investigación, contextos jurídicos o verificación de datos, donde la formulación exacta constituye una evidencia.

La precisión es alta con una sola voz clara en un idioma compatible. La mayoría de los podcasts, clases y videos bien producidos se transcriben con pocos errores. Las conversaciones con varias personas, las voces superpuestas, el vocabulario muy técnico, los nombres propios poco frecuentes, los acentos regionales marcados, el audio remoto de baja calidad y la compresión intensa pueden reducir la precisión. Ningún sistema de IA puede reconstruir completamente una fuente ininteligible. Si una sección aparece confusa, normalmente significa que el audio original es difícil de escuchar, no necesariamente que el modelo haya fallado. Para trabajos importantes —periodismo, investigación académica o asuntos jurídicos—, compara las citas críticas con el video original.

La Skill procesa únicamente el enlace público del video. No inicia sesión en YouTube ni accede a contenido privado, exclusivo para miembros o no listado.

Fuera de alcance

• Archivos de video locales — las descargas .mp4 de YouTube, grabaciones de pantalla y archivos guardados en el ordenador deben procesarse con la Skill relacionada audio-to-text
• Directos activos — solo funcionan las grabaciones finalizadas; las emisiones en curso no devuelven contenido hasta que terminan y se guardan en el canal
• Videos exclusivos para miembros o con restricción de edad — el enlace debe ser accesible sin iniciar sesión ni verificar la edad
• Videos privados y no listados — la Skill no puede iniciar sesión en YouTube en tu nombre
• Videos musicales sin contenido hablado — las pistas instrumentales, actuaciones sin narración y videos sin voz no contienen contenido útil para transcribir
• Traducción de la propia transcripción — la transcripción permanece intencionadamente en el idioma original para conservar las citas literales; solicita la traducción después de recibir el texto original