Formatos de audio compatibles: la tabla de compatibilidad

La tabla de compatibilidad

Todas las herramientas de transcripción importantes aceptan MP3, WAV, M4A y MP4. Las diferencias aparecen en los formatos menos comunes, los límites de tamaño de archivo y las restricciones de códec. Usa la tabla de abajo para comprobar tu formato antes de subirlo y luego lee las secciones siguientes para entender los casos límite que causan fallos reales.

*AWS Transcribe batch admite el contenedor MP4 (que puede llevar audio AAC), pero no archivos M4A independientes por nombre según su documentación. Comprueba tu caso de uso concreto.

Verificado: julio de 2026. Fuentes listadas al final.

Límites de tamaño de archivo y duración

El formato importa menos que si tu archivo cabe en el límite de subida del servicio.

El límite de 25 MB de la API de OpenAI Whisper es la fuente de confusión más habitual. Una entrevista de 2 horas en WAV suele pesar más de 1 GB. El límite es de tamaño, no de duración, así que un MP3 de 2 horas a 96 kbps (unos 86 MB) también fallará. La solución es comprimir a una tasa de bits más baja o usar un servicio pensado para el tamaño de tu archivo.

Herramienta de subida de audio de ConvertAudioToText El cargador de ConvertAudioToText acepta MP3, WAV, M4A, FLAC, AAC, OGG, Opus, WMA y todos los contenedores de vídeo principales. El límite por archivo es de 100 MB sin cuenta, 1 GB con una cuenta gratuita y 5 GB en los planes de pago. Los trabajos desde una URL (YouTube, Vimeo, enlaces directos) no pasan por la subida y admiten contenido de hasta 24 horas en los planes de pago (3 horas en el plan gratuito).

Formatos de audio: qué significa cada uno

MP3

MP3 es la opción segura por defecto. Lo acepta cualquier servicio, ocupa poco y, a 128 kbps o más, no tiene una pérdida de precisión medible frente a WAV. Por debajo de 64 kbps, los artefactos de compresión empiezan a afectar a la claridad de la voz. Las grabaciones antiguas de buzón de voz a 32 kbps son el caso más habitual.

Tamaños reales: alrededor de 1 MB por minuto a 128 kbps. Una grabación de 2 horas pesa unos 115 MB, lo que supera el límite de la API de Whisper pero cabe en todos los demás servicios.

WAV

WAV no tiene pérdida, y eso importa para archivar, no para la precisión de la transcripción. Un WAV y un MP3 a 128 kbps de la misma grabación de voz dan prácticamente la misma transcripción con cualquier modelo de IA moderno. La diferencia real es el tamaño: WAV ocupa unos 10 MB por minuto en calidad CD (44,1 kHz, 16 bits, estéreo).

Si chocas con los límites de tamaño, convierte a MP3 antes de subir el archivo. No perderás precisión.

M4A

Las notas de voz del iPhone se exportan en M4A. Usan compresión AAC dentro de un contenedor MP4, más eficiente que MP3. Los archivos son algo más pequeños que un MP3 de calidad equivalente, y todas las herramientas de transcripción para consumidores lo admiten.

AWS Transcribe no incluye M4A entre los formatos admitidos en su documentación de trabajos por lotes; si usas la API de AWS directamente, convierte primero a MP3 o WAV. Las herramientas para consumidores (CATT, TurboScribe, Otter, Descript, Rev) lo aceptan sin conversión.

FLAC

FLAC es compresión sin pérdida. Los archivos ocupan entre un 50 y un 70 por ciento menos que un WAV y conservan todo el audio original. Para transcribir no ofrece más precisión que un MP3 bien codificado, pero es útil cuando quieres archivar el original y subir un único archivo.

No todos los servicios lo admiten: Otter.ai, Fireflies y Trint no aceptan FLAC. Compruébalo antes de subirlo.

OGG / Opus

OGG Vorbis y Opus son formatos de código abierto habituales en grabaciones de Android y aplicaciones web. Opus en concreto se usa en WebRTC (grabaciones desde el navegador, llamadas de voz, exportaciones de Discord). El soporte en herramientas para consumidores es desigual: Descript, Rev y Fireflies no admiten OGG directamente. AWS Transcribe y Deepgram aceptan ambos dentro de sus contenedores correspondientes.

Si tu archivo es una grabación de Android en OGG, conviértelo primero a MP3 para asegurar la compatibilidad.

WMA

Windows Media Audio está desapareciendo del uso profesional, pero aún aparece en exportaciones antiguas de la Grabadora de voz de Windows y en grabaciones heredadas de centros de llamadas. TurboScribe, Otter.ai y Trint lo aceptan; Descript, Fireflies y Rev no.

AIFF

AIFF es el formato sin compresión de Apple, el que generan habitualmente GarageBand y Pro Tools. Ocupa más o menos lo mismo que un WAV. Entre los servicios de esta tabla, solo TurboScribe y Descript aceptan AIFF; si tu programa de audio exporta en AIFF, comprueba el servicio de destino antes de subir el archivo.

Formatos de vídeo y extracción de audio

Todos los servicios de esta tabla extraen la pista de audio del vídeo automáticamente. No necesitas preparar el archivo de vídeo antes de subirlo.

MP4 funciona en todas partes. MOV funciona en la mayoría de los servicios para consumidores, pero no en AWS Transcribe ni en Fireflies. MKV tiene un soporte limitado (CATT, Otter, TurboScribe, Happy Scribe). Si tu archivo es MKV o AVI y el servicio que usas no lo admite, extrae el audio a MP3 con FFmpeg: ffmpeg -i input.mkv -vn -ab 192k output.mp3.

Para más detalles sobre los subtítulos generados a partir de vídeo, consulta SRT, VTT o TTML: qué formato de subtítulos usar.

Cuándo el formato afecta a la precisión (y cuándo no)

En casi todos los casos reales, el formato no afecta a la precisión. Los modelos de IA de transcripción actuales procesan la forma de onda después de decodificarla, así que el contenedor y el códec de compresión no marcan una diferencia apreciable con ajustes de calidad normales.

Los tres casos en los que el formato sí importa:

MP3 con una tasa de bits muy baja (menos de 64 kbps). Los artefactos de compresión por debajo de 64 kbps pueden hacer la voz menos inteligible, tanto para una persona como para un modelo de IA. Se ve en archivos de pódcast muy antiguos, buzones de voz comprimidos y audio en streaming muy reducido.

Recodificaciones sucesivas. Pasar de WAV a MP3, luego a OGG y otra vez a MP3 acumula compresión con pérdida y se pierde calidad en cada paso. Trabaja con el archivo original siempre que puedas.

Archivos dañados o incompletos. Un archivo descargado a medias o una grabación interrumpida puede pasar la validación de formato y fallar a mitad de la transcripción. Vuelve a descargar o a exportar el original.

Para ver con más detalle qué frecuencias de muestreo y números de canales afectan a la precisión a nivel de API, consulta explicación de la precisión en transcripción.

Particularidades de códecs que conviene conocer

Algunos detalles que provocan fallos sin aviso:

En AWS Transcribe, OGG requiere el códec Opus. El servicio acepta contenedores OGG y WebM, pero solo con audio Opus dentro. Un archivo OGG Vorbis fallará. Está documentado en sus requisitos de entrada.

Google Cloud STT exige declarar la codificación. A diferencia de Deepgram, la API de Google pide que indiques la codificación del audio en la solicitud. Si envías un MP3 sin declarar MP3 en el campo de codificación, fallará. Su API V2 detecta algunos formatos automáticamente, pero la V1 no.

Audio multicanal (más de 2 canales). AWS Transcribe no admite audio con más de dos canales. Descript mezcla a estéreo los archivos de 3 o más canales al importarlos. Si grabas en multicanal (una grabadora de conferencias de 4 canales, un micrófono ambisónico), mezcla a estéreo antes de subir el archivo a cualquier servicio basado en API.

Codificación PCM dentro de WAV. La mayoría de los archivos WAV usan codificación PCM y funcionan en todas partes. Los WAV con codificaciones poco comunes (GSM, ADPCM) pueden fallar en algunos servicios aunque el contenedor se reconozca. El comando ffprobe de FFmpeg te dice qué codificación lleva tu archivo WAV.

Para una visión más amplia sobre la elección de formato a lo largo del proceso, desde la grabación hasta el archivo, consulta explicación de los formatos de archivo de transcripción y WAV frente a MP3 para transcripción.

Conversión a un formato compatible

Si tienes un archivo en un formato no compatible o necesitas reducir su tamaño antes de subirlo, la herramienta de audio a texto acepta el archivo directamente y gestiona la conversión internamente. Para flujos de trabajo programáticos, la línea de comando siguiente cubre la mayoría de los casos:

ffmpeg -i input.anyformat -vn -ar 16000 -ac 1 -ab 64k output.mp3

Esto extrae el audio, fija una frecuencia de muestreo de 16 kHz (suficiente para voz), lo convierte a mono y lo codifica a 64 kbps, lo que reduce un WAV de una hora de unos 600 MB a aproximadamente 30 MB sin pérdida de precisión en la transcripción.

Si prefieres conservar el original y solo necesitas una copia más pequeña para subir, el mismo comando funciona: -ab 128k ofrece más margen y sigue estando muy por debajo de cualquier límite del servicio.

Si solo necesitas una transcripción limpia sin un bot de reuniones ni un editor de vídeo, ConvertAudioToText acepta todos los formatos de esta tabla (excepto AIFF) y entrega la transcripción en minutos.

Preguntas frecuentes

¿Cuál es el mejor formato de audio para la precisión de la transcripción?

Cualquier formato sin pérdida (WAV, FLAC) o con pérdida de alta calidad (MP3 a 128 kbps o más, M4A con calidad estándar) producirá la misma precisión de transcripción con cualquier modelo de IA moderno. El entorno de grabación y la calidad del micrófono importan mucho más que el formato de audio. Guarda WAV o FLAC para archivar; sube MP3 para mantener los tamaños de archivo manejables.

¿Por qué la API de OpenAI Whisper rechaza mi archivo cuando otros servicios lo aceptan?

La API de Whisper impone un límite de tamaño de archivo de 25 MB, mucho más bajo que el de otros servicios. Un MP3 de 1 hora a 128 kbps pesa unos 57 MB y fallará. La solución es comprimir a una tasa de bits más baja (64 kbps es suficiente para voz), dividir el archivo en fragmentos, o usar un servicio sin ese límite de 25 MB.

¿Puedo subir un archivo de video directamente o necesito extraer el audio primero?

Puedes subir video directamente a todos los servicios de esta tabla. Ellos extraen la pista de audio automáticamente. El MP4 funciona en todas partes; el MOV y el MKV tienen soporte irregular en servicios a nivel de API como AWS Transcribe. Si usas una API directamente y tu formato de video no está en la lista de compatibles, extrae el audio con FFmpeg primero.

¿Funcionan las grabaciones multicanal (sonido envolvente)?

La mayoría de las herramientas de transcripción reducen a estéreo automáticamente o no admiten explícitamente más de dos canales. AWS Transcribe documenta un límite estricto de dos canales. Descript reduce la mezcla al importar. Para obtener resultados fiables, convierte cualquier grabación multicanal a mono o estéreo antes de subirla.

Fuentes

• Formatos de audio compatibles con Deepgram: developers.deepgram.com/docs/supported-audio-formats (consultado en julio de 2026)
• Requisitos de entrada de Amazon Transcribe: docs.aws.amazon.com/transcribe/latest/dg/how-input.html (consultado en julio de 2026)
• Documentación de la API de OpenAI Whisper: help.openai.com/en/articles/7031512-audio-api-faq (consultado en julio de 2026)
• Codificaciones de Google Cloud Speech-to-Text: docs.cloud.google.com/speech-to-text/docs/encoding (consultado en julio de 2026)
• Ayuda de importación de Otter.ai: help.otter.ai (consultado en julio de 2026)
• Soporte de TurboScribe: turboscribe.ai/support (consultado en julio de 2026)
• Tipos de archivo compatibles con Descript: help.descript.com (consultado en julio de 2026)
• Formatos de archivo aceptados por Rev.com: support.rev.com (consultado en julio de 2026)
• Especificaciones de archivo compatibles con Trint: info.trint.com/knowledge/supported-file-specifications (consultado en julio de 2026)
• Guía de subida de Fireflies: guide.fireflies.ai (consultado en julio de 2026)
• Formatos de Happy Scribe: happyscribe.com/formats (consultado en julio de 2026)
• Límites de archivo de AssemblyAI: assemblyai.com/docs/faq (consultado en julio de 2026)