Cómo transcribir entrevistas para investigación: un flujo de trabajo práctico

The Pipeline

Transcribing research interviews well means making the right decisions before you press record, not after. Get informed consent on paper, record cleanly, generate an AI first draft, review it against the audio, apply your methodological conventions, de-identify the text, and store everything per your IRB protocol. Each stage shapes the validity of your data; skipping or reordering them creates gaps your committee or journal reviewer will find.

This guide walks the full pipeline in order. For what to do with the transcript once it exists, the thematic analysis and qualitative coding guides pick up from there.

Stage 1: Consent and Recording Setup

Before any recording starts, your participants must consent to it in writing. IRBs are specific: consent for recording is a separate, explicit disclosure, not a line buried in a general study agreement. Your consent form needs to cover:

• That the interview will be audio-recorded
• Who will transcribe it (your team, a third-party vendor, or an AI tool)
• Where recordings and transcripts will be stored and who can access them
• How long recordings will be retained before deletion
• Whether the transcript will be sent back to the participant for review (member checking)

Some university IRBs since 2025 treat AI transcription vendors as "engaged in human subjects research" when they process participant data, which means naming the type of tool used (AI-assisted) in your consent form is the safer practice, even if your institution does not yet require it explicitly. Check with your IRB coordinator.

One practical tip: send the consent form by email before the interview. This gives participants time to read it and ask questions, and gives you a timestamped record of receipt.

Para el equipo de grabación, una grabadora de audio dedicada supera al micrófono de un teléfono o portátil en la mayoría de los casos. Colócala cerca del hablante, prueba los niveles antes de la sesión y mantén una copia de seguridad en marcha (muchos investigadores usan su teléfono como segundo dispositivo). Etiqueta cada archivo de inmediato con el código del participante, la fecha y el número de entrevista.

Etapa 2: Elige tu nivel de transcripción

Antes de subir un solo archivo, decide qué nivel de detalle exige tu metodología. Esto es una decisión de diseño, no de transcripción.

Transcripción literal captura cada palabra, muletilla (um, eh, como), falso comienzo, repetición y pausa. Algunas convenciones también anotan elementos no verbales: risas, suspiros, énfasis, cambio emocional. Usa la transcripción literal cuando tu análisis dependa de cómo se dice algo: análisis de conversación, análisis del discurso o investigación sobre patrones de comunicación y actos de habla.

Transcripción inteligente (también llamada transcripción limpia) conserva el contenido completo y el significado, eliminando muletillas, falsos comienzos y repeticiones redundantes. La gramática puede suavizarse ligeramente para facilitar la lectura. Es la opción estándar para la mayoría del trabajo cualitativo, incluidos el análisis temático y la teoría fundamentada, donde el foco analítico es lo que se dijo, no su textura verbal.

Transcripción resumida condensa la entrevista en puntos clave. Se usa para un mapeo preliminar o estudios de viabilidad, no para el análisis de datos primarios.

Documenta esta decisión en tu sección de métodos antes de comenzar la transcripción. Cambiar las convenciones a mitad de un proyecto con múltiples entrevistas genera inconsistencia que socava la comparación entre casos.

Etapa 3: Genera el primer borrador con IA

Una vez que las grabaciones estén limpias y tengas fijado tu nivel de transcripción, súbelas a tu herramienta de transcripción y activa la diarización de hablantes. La diarización asigna etiquetas automáticas a los distintos hablantes, algo que importa muchísimo en datos de entrevistas, donde toda la unidad de análisis depende de saber quién dijo qué.

Para entrevistas en idiomas distintos del inglés, selecciona el idioma correcto antes de procesar. La mayoría de las herramientas reconocen 50 idiomas o más, y la precisión baja de forma notable si se elige el idioma equivocado.

Una entrevista de 60 minutos suele producir un primer borrador en 3 a 5 minutos. La precisión de la transcripción por IA en audio claro y en condiciones silenciosas es alta, pero disminuye con acentos, vocabulario técnico, conversaciones superpuestas o discurso cargado emocionalmente (que los participantes suelen expresar en voz baja o con dudas). Consulta precisión de transcripción explicada para ver un punto de referencia realista.

El borrador de la IA es tu punto de partida, no tus datos finales. Nunca analices una transcripción de IA sin revisar como datos de investigación.

Etapa 4: Revisión contra el audio

Este es el paso que más tiempo consume, y no es opcional. Reproduce el audio a velocidad 1.0x o 1.25x mientras lees la transcripción. Corrige los errores sobre la marcha.

Presta especial atención a:

• Términos específicos de la disciplina o de la comunidad. Los modelos de IA transcriben bien el habla general, pero les cuesta el vocabulario especializado que tus participantes usan con fluidez. Crea un glosario de terminología antes de la revisión y corrígelo de forma sistemática.
• Nombres propios. Los nombres de personas, organizaciones, lugares y referencias culturales se transcriben mal o se adivinan fonéticamente de manera constante.
• Habla cargada de emoción o en voz baja. Los pasajes donde los participantes hablan suave, dudan o se alteran son más difíciles de captar para la IA. Suelen ser precisamente los pasajes que más importan a nivel analítico.
• Secciones inaudibles. Márcalas explícitamente como [inaudible 12:34]. No adivines. Si oyes algo de forma parcial, escribe [poco claro: "algo sobre financiación"] y señálalo.

Para una entrevista única de 60 minutos, una revisión exhaustiva suele llevar de 90 minutos a 2,5 horas, frente a las 4 a 6 horas de transcribir desde cero de forma manual. Para un estudio con 20 entrevistas, esa diferencia supone unas 60 a 80 horas de tiempo de investigación.

Si varios miembros del equipo revisan las transcripciones, comprueba la coherencia al principio: haz que dos personas revisen de forma independiente el mismo tramo de 15 minutos y comparen sus correcciones. Las discrepancias sacan a la luz dónde necesitan más detalle tus convenciones de transcripción. Esto es un control de calidad del proceso de transcripción, distinto de las comprobaciones de fiabilidad entre evaluadores sobre la codificación (eso es una fase posterior, tratada en codificación cualitativa).

Etapa 5: Aplica tus convenciones de transcripción

Tras las correcciones factuales, da formato a la transcripción según tu estándar metodológico:

• Etiquetas de hablante, consistentes en todo el documento: Entrevistador: y Participante 3:, o P3: si prefieres algo más breve. Elige un formato y úsalo en todas las transcripciones.
• Marcadores de pausa si tu metodología lo requiere: [pausa], [pausa larga], o notación de Jefferson si estás haciendo análisis conversacional.
• Elementos no verbales: [risas], [suspiros], [se emociona].
• Énfasis, si es relevante: cursiva para palabras acentuadas, o mayúsculas según la convención que elijas.
• Marcas de tiempo en intervalos naturales, o en cada turno de habla si tu software de QDAS lo espera.

La consistencia es el punto clave aquí. Antes de que tu equipo empiece a revisar, redacta una guía de estilo de una página que cubra cada uno de estos puntos. NVivo, MAXQDA y ATLAS.ti importan formatos estándar (TXT, DOCX, SRT, VTT), y unas etiquetas de hablante consistentes permiten la codificación automática por hablante, lo que puede ahorrar mucho tiempo en el análisis. MAXQDA y ATLAS.ti sincronizan las marcas de tiempo de SRT y VTT con los clips de audio para la codificación basada en clips; NVivo suele funcionar mejor con DOCX o CSV con marcas de tiempo.

Etapa 6: Anonimizar la transcripción

La mayoría de los protocolos éticos exigen la desidentificación de las transcripciones antes de comenzar el análisis. La excepción es la investigación de historia oral, donde los participantes a menudo quieren ser nombrados. Confirma los requisitos de tu protocolo.

Anonimización y seudonimización no son lo mismo. La anonimización elimina los identificadores de forma permanente, haciendo que los datos no sean rastreables; según el RGPD, los datos totalmente anonimizados ya no están regulados. La seudonimización sustituye los identificadores por códigos (el participante se convierte en "P04" o "Maya"), pero existe una clave de reidentificación y los datos siguen estando regulados.

La mayoría de la investigación cualitativa utiliza la seudonimización. La clave de reidentificación (la lista que vincula "P04" con la persona real) se guarda por separado de la transcripción, con acceso restringido y su propio plan de retención y eliminación.

Qué sustituir o alterar en la transcripción:

• Nombres completos, incluidos los nombres de las personas que mencionan los participantes
• Direcciones concretas, instituciones con nombre y ubicaciones identificables
• Cargos o funciones lo bastante singulares como para identificar a una persona en su contexto
• Fechas que, combinadas con otra información, puedan acotar la identidad
• Cualquier cita directa que los participantes pidieran mantener fuera de registro

Lleva un registro de anonimización: para cada transcripción, anota qué se sustituyó y por qué. Guárdalo por separado de la transcripción. Este registro respalda tu pista de auditoría y demuestra que seguiste el protocolo aprobado.

Etapa 7: Almacenar y conservar según las normas del IRB

Los IRB exigen un plan documentado sobre cuánto tiempo conservas las grabaciones, las transcripciones y los formularios de consentimiento, y cómo se destruirá cada uno. Acertar con esto antes de empezar te evita problemas de cumplimiento en la publicación y el archivado.

La orientación general de las instituciones estadounidenses indica que los registros de investigación deben conservarse un mínimo de tres años tras el cierre del estudio (según 45 CFR 46). Los requisitos del patrocinador o financiador pueden ampliar este plazo; las subvenciones federales suelen exigir de cinco a siete años. Revisa los términos específicos de tu subvención.

Las grabaciones de audio conllevan más riesgo que las transcripciones porque contienen la voz real del participante. Muchos IRB recomiendan destruir las grabaciones una vez que las transcripciones se han verificado contra el audio y se ha completado la verificación con los participantes (si procede). Si conservas las grabaciones, requieren los mismos controles de seguridad que cualquier otro dato identificable.

Controles prácticos de almacenamiento:

• Cifra los archivos de audio y las transcripciones en reposo; usa controles de acceso para que solo el equipo de investigación pueda abrirlos.
• Almacena en servidores institucionales o en un servicio en la nube de grado investigador, no en dispositivos personales ni almacenamiento de consumo.
• Mantén los datos identificables (grabaciones, transcripciones sin anonimizar) separados de los datos anonimizados.
• Documenta tu ubicación de almacenamiento, lista de accesos, calendario de retención y método de borrado en tu solicitud de ética.

Al usar una herramienta de transcripción con IA, lee la política de privacidad del proveedor y documenta lo que encuentres en tu solicitud de ética. En concreto, confirma: si se conserva el audio después del procesamiento y durante cuánto tiempo, si el contenido se utiliza para entrenar modelos de IA, dónde se procesan los datos geográficamente y si hay disponible un acuerdo de tratamiento de datos para el cumplimiento del RGPD. Consulta al delegado de protección de datos de tu institución si tu estudio involucra a participantes en la UE o el Reino Unido.

Si necesitas transcripción con una huella de datos mínima, valora si una herramienta orientada a la privacidad o una solución local o localizada se ajusta mejor a tu protocolo. Para la transcripción académica general sin PHI clínica, una herramienta web cifrada y sin retención suele ser suficiente, siempre que la documentes.

Controles de calidad que merece la pena incorporar

Más allá de revisar cada transcripción contra el audio, dos prácticas respaldan la fiabilidad de tus datos:

Comprobación con los participantes. El marco de 1985 de Lincoln y Guba sobre la credibilidad en la investigación cualitativa identifica el envío de las transcripciones a los participantes para su revisión como una técnica clave para establecer la credibilidad. Los participantes pueden aclarar afirmaciones, corregir malentendidos y confirmar que la transcripción refleja su intención. Esto es habitual en la investigación fenomenológica y de teoría fundamentada; es menos estándar en el análisis de la conversación, donde la transcripción representa el habla literal y no el significado interpretado.

Registro de auditoría. Documenta qué herramienta usaste, quién revisó cada transcripción, las convenciones que seguiste y cualquier decisión sobre audio ambiguo. Este registro respalda tanto el rigor de tus hallazgos publicados como cualquier auditoría institucional sobre tu manejo de datos.

Una nota sobre la elección de la herramienta

Si quieres evitar los flujos de trabajo con bots de reuniones y simplemente subir un archivo directamente para obtener una transcripción limpia, ConvertAudioToText admite MP3, WAV, M4A, MP4 y la mayoría de otros formatos, con diarización de hablantes y soporte multilingüe. Para el cumplimiento ético, lee atentamente la política de privacidad y documenta lo que dice en tu solicitud al IRB, igual que harías con cualquier otro proveedor.

Preguntas frecuentes

¿Debo usar transcripción con IA para la investigación académica?

Sí, pero con un paso obligatorio de revisión humana. La transcripción con IA produce un primer borrador sólido en minutos en lugar de horas, lo que reduce sustancialmente el tiempo total de transcripción para conjuntos grandes de entrevistas. El requisito es que siempre revises el resultado comparándolo con el audio original antes de tratarlo como datos. Una transcripción con IA sin revisar es un borrador, no un conjunto de datos.

¿Cómo debo indicar el uso de transcripción con IA en mi metodología de investigación?

Describe tu proceso en la sección de métodos: indica que las transcripciones iniciales se generaron con software de transcripción por IA (nombra la herramienta si tu sección de metodología lo justifica) y que todas las transcripciones fueron posteriormente revisadas y corregidas por el equipo de investigación frente a las grabaciones de audio originales. Algunas revistas y comités de ética ahora piden que especifiques cómo se usaron las herramientas de IA con los datos de los participantes, así que adapta tu declaración a las directrices actuales de tu institución.

¿En qué formato de archivo debo grabar y transcribir?

WAV ofrece la mayor fidelidad de audio y es sin pérdidas. Para la mayoría de fines de investigación, MP3 a 128 kbps o más es suficiente y produce archivos mucho más manejables en tamaño. La calidad del entorno de grabación, especialmente el ruido de fondo y la distancia al micrófono, importa más que el formato de archivo para la precisión de la transcripción con IA.

¿Cómo manejo las secciones inaudibles o poco claras?

Márcalas con una marca de tiempo: [inaudible 23:45]. Si puedes oír parcialmente el contenido, escribe lo que oigas y anota la incertidumbre: [poco claro: "algo sobre la financiación"]. No adivines. Documenta la frecuencia y la ubicación de las secciones inaudibles en tus métodos, ya que pueden afectar a la integridad de tu análisis, y señala cualquier sección que caiga en pasajes analíticamente significativos.

¿Cuánto tiempo debo conservar las grabaciones y transcripciones de las entrevistas de investigación?

La mayoría de las instituciones estadounidenses exigen que los registros de investigación se conserven durante un mínimo de tres años tras el cierre del estudio, según 45 CFR 46. Los requisitos de las subvenciones federales suelen ampliar este plazo a cinco o siete años. Las grabaciones de audio, que contienen datos de voz identificables, conllevan un riesgo mayor que las transcripciones anonimizadas; muchos IRB recomiendan destruirlas una vez que la transcripción esté completa y verificada. Consulta los requisitos específicos de tu financiador, tu protocolo del IRB y la política de retención de datos de tu institución, ya que estos tres pueden diferir.

Fuentes

• Penn State IRB Guideline XI: Research Involving Audio, Video or Digital Recordings of Research Participants: https://researchsupport.psu.edu/orp/irb/irb-resources-training-and-events/irb-guidelines/irb-guideline-xi-research-involving-audio-video-or-digital-recordings-of-research-participants/
• GoTranscript: Using AI Transcription in Human-Subjects Research: IRB Risk Checklist and Controls: https://gotranscript.com/en/blog/ai-transcription-human-subjects-research-irb-risk-checklist-controls
• GoTranscript: Retention Timeline for Recordings and Transcripts (IRB-Friendly Plan): https://gotranscript.com/en/blog/retention-timeline-recordings-transcripts-irb-friendly-plan-template
• GoTranscript: IRB Consent Script for Audio-Recorded Interviews: https://gotranscript.com/en/blog/irb-consent-script-audio-recorded-interviews-template
• Skimle: How to Anonymise and Pseudonymise Qualitative Research Data: https://skimle.com/blog/how-to-anonymise-qualitative-research-data-irb-compliant-pseudonymisation
• Statistics Solutions: Member Checking in Qualitative Research: https://www.statisticssolutions.com/member-checking-in-qualitative-research/
• ATLAS.ti: Data Anonymization in Qualitative Research: https://atlasti.com/research-hub/data-anonymization-qualitative-research
• University of Florida IRB: Investigator Requirements for Retaining Research Data: https://irb.ufl.edu/index/data/investigator-requirements-for-retaining-research-data.html
• Qualtranscribe: What the EU AI Act Means for Researchers Who Use AI Transcription: https://www.qualtranscribe.com/post/eu-ai-act-ai-transcription-researchers