Transcripción para músicos: extracción de letras a partir de las voces (2026)

¿Puede la IA extraer letras de una pista?

Sobre una toma vocal aislada, sí, con la suficiente fiabilidad como para resultar útil. En una mezcla de producción completa, la respuesta tiene más matices: un estudio de 2025 publicado en arxiv (arxiv.org/abs/2506.15514) descubrió que Whisper elimina sistemáticamente los vocables no léxicos y los coros independientemente de lo buena que sea la separación de fuentes previa, y que los artefactos de esa separación pueden llegar a provocar alucinaciones. Las tasas de error de palabra en mezclas reales de canciones rondan el 20-23% antes de cualquier separación, y bajan modestamente con stems de alta calidad. El paso más importante que puedes dar es ejecutar el aislamiento vocal antes de la transcripción, no después.

Por qué las voces en una mezcla son el peor caso para los motores de transcripción

Los modelos de transcripción como Whisper Large-v3 y Deepgram Nova-3 están entrenados abrumadoramente con habla. Cuando les das música, tres factores se combinan en problemas graves de precisión.

Las notas afinadas y sostenidas cambian la firma acústica de la voz. Un melisma que sostiene una vocal durante dos segundos parece ruido para un modelo que espera habla conversacional. El modelo o lo salta o alucina una palabra que encaja con la forma fonética.

La proporción entre voz e instrumentos determina casi todo lo demás. Las notas de voz a capela se transcriben bien. La misma voz a menos 3 dB bajo un arreglo completo de batería, bajo y teclados pierde una parte significativa de sus señales fonéticas.

El bucle interno de prompting de Whisper hace que acumule errores. El modelo usa su salida anterior para condicionar el siguiente segmento. Si malinterpreta una frase, se desvía. Por eso a veces obtienes una transcripción que empieza de forma plausible y luego produce frases que nunca fueron cantadas, un modo de fallo conocido documentado en el análisis de alucinaciones de Deepgram sobre v3.

La conclusión práctica: primero separación, después transcripción y luego una pasada de limpieza manual. Esto no es opcional para ninguna mezcla con contenido instrumental significativo.

Paso uno: aislar la voz

Este es el paso que la publicación anterior trató como una nota al pie. Debería ser el primero, porque todo lo demás depende de lo limpia que esté tu stem.

HTDemucs (el modelo ajustado, htdemucs_ft) es el referente actual del código abierto. Meta AI Research lo mantiene bajo la licencia MIT. Instálalo con pip install -U demucs, ejecuta demucs --two-stems=vocals your_song.mp3 y obtendrás un stem de voz y otro instrumental. La variante ajustada tarda unas cuatro veces más que el modelo base, pero produce una separación notablemente más limpia en mezclas densas. Los benchmarks independientes de 2026 lo sitúan consistentemente por delante de Spleeter, el modelo antiguo de Deezer que está sin mantenimiento desde 2022.

Si buscas una vía desde el navegador sin instalación, LALAL.AI es la principal opción de pago. Sus precios (verificados el 2026-07-01): el plan gratuito da 10 minutos en una cola de procesamiento más lenta; Lite cuesta 6,75 EUR/mes por cola lenta ilimitada más 90 minutos de cola rápida; Pro son 13,50 EUR/mes por 250 minutos de cola rápida más acceso a la API. El motor Orion, disponible en los planes de pago, produce voces consistentemente más limpias en pop y hip-hop que el motor Phoenix, más antiguo.

Spleeter todavía aparece citado en tutoriales, pero su arquitectura de modelo de 2019 va un paso significativo por detrás de las alternativas actuales en mezclas complejas. Usa HTDemucs o LALAL.AI.

Paso dos: transcribir el stem aislado

Una vez que tienes un stem vocal limpio, puedes tratarlo como audio de habla normal. La herramienta de audio a texto maneja los formatos con los que suelen trabajar los músicos (exportaciones WAV sin pérdida, tomas MP3 comprimidas). Sube el stem, no la mezcla.

La precisión realista sobre una voz bien aislada está en el rango de 80-90% de acierto de palabras para una dicción clara en inglés o español estándar. Espera que el modelo omita frases no léxicas («ooh», «la», «yeah»), sílabas truncadas al final de las frases y cualquier capa de coros que el separador no haya aislado por completo. La transcripción que obtienes es un andamiaje, no una hoja de letras terminada. Para una canción de cuatro minutos, pasar de ese andamiaje a una letra completa suele llevar de 10 a 15 minutos a mano, frente a empezar de memoria y tardar de 30 a 40.

Para saber más sobre la precisión de transcripción en pistas que no están en inglés: Whisper Large-v3 cubre 99 idiomas y, sobre voces aisladas, la precisión en otros idiomas queda en un rango similar al del inglés. El cambio de código (letras en espanglish, portugués con ad-libs en inglés) se maneja, pero la precisión cae algunos puntos en los límites entre idiomas.

Caso de uso: demos preliminares y letras en notas de voz

Este es el escenario de mayor valor para la mayoría de los compositores. Grabas una toma vocal sobre un beat, el instrumental no está silencioso, la letra aún no está escrita y necesitas un borrador antes de la próxima sesión.

El flujo de trabajo en la práctica:

1. Exporta la pista vocal con el instrumental silenciado o atenuado en tu DAW. Si solo tienes la mezcla (un archivo de referencia que alguien te envió, un bounce de demo sin stems), ejecuta HTDemucs primero.
2. Sube la voz aislada a una herramienta de transcripción.
3. Recibe el borrador, normalmente en menos de un minuto para una canción de 4 minutos.
4. Limpia de oído. Escucha mientras lees. Corrige las frases no léxicas omitidas y los nombres propios.

Incluso con un 80-85% de precisión en la primera pasada, el ahorro de tiempo frente a transcribir de memoria es real. El modelo no olvida versos como la memoria humana dos semanas después de una sesión.

Caso de uso: notas de sesión y talkback del productor

Las sesiones de estudio generan horas de audio que los músicos rara vez archivan: las notas de dirección del productor, los comentarios del artista entre tomas, las referencias desechables. Este audio es habla ordinaria (sin música compitiendo con ella) y se transcribe con alta precisión.

Dos patrones funcionan bien aquí. Algunos productores graban con una pequeña grabadora de campo como una Zoom H1n durante toda la sesión y transcriben todo el audio al final del día. Otros transcriben solo las notas en notas de voz que graban intencionadamente entre tomas. En cualquier caso, el resultado es texto buscable donde una referencia a «ese fill de batería del tema de Kendrick del martes pasado» se puede encontrar meses después.

Esto es exactamente para lo que están hechas las herramientas de transcripción de propósito general, y la precisión será sustancialmente mayor que con audio musical. Para estructurar el resultado, consulta el flujo de trabajo más general de actas de reuniones, que se traslada muy bien a las notas de sesión del productor.

Caso de uso: trabajos de versiones y letras de referencia

Los compositores que hacen topline sobre una pista de referencia existente a veces quieren la letra de referencia por escrito como punto de partida o documento de contraste. Transcribir una pista comercial directamente desde la mezcla da aproximadamente un 75-85% en un tema pop bien producido, y menos en arreglos densos. Los nombres propios, los ad-libs y los coros superpuestos son donde se concentran los errores.

Para canciones disponibles comercialmente, las bases de datos de letras (Genius, AZLyrics, Musixmatch) ya tienen el texto y son más rápidas que la transcripción para cualquier tema ampliamente lanzado. La transcripción gana su lugar cuando la referencia es tan poco conocida que las bases de datos no la tienen, o cuando trabajas con una cinta de trabajo sin masterizar que nunca fue publicada.

Enfoque específico para música frente a DIY

Existen herramientas que combinan la separación de stems y la transcripción en un solo producto. Moises es el ejemplo más claro: ofrece transcripción de letras junto al aislamiento de stems en una sola app. El plan gratuito permite 5 pistas al mes con un límite de 5 minutos cada una, mostrando solo el primer minuto de transcripción. Los planes de pago desbloquean la transcripción completa y pistas ilimitadas. RipX DAW PRO (compra única, unos $60-160 según el nivel, según los precios del proveedor verificados en 2026-07) va más allá y permite edición a nivel de nota de los stems separados, algo útil para remezclar pero excesivo si solo quieres letras.

Mi opinión: las herramientas integradas valen la pena si dedicas mucho tiempo a editar stems y trabajar con letras en un mismo lugar. Para compositores que solo necesitan borradores de letras ocasionales, la vía DIY (HTDemucs para el aislamiento gratuito y luego una herramienta de transcripción general para el texto) produce resultados equivalentes a menor costo, y puedes cambiar a un mejor modelo de aislamiento en cuanto salga sin esperar una actualización del producto.

En qué falla la IA de forma consistente

Tres categorías donde el flujo manual de pausar y escuchar le gana a la IA con las letras todas las veces.

Armonías apiladas y voces superpuestas. Dos vocalistas con líneas entrelazadas producen una señal que el modelo lee como una sola voz. El resultado fusiona ambas voces en una única transcripción, normalmente descartando la que suena más bajo. Entender por qué ocurre esto se explica con más detalle en el artículo sobre diarización de hablantes, pero para las letras la implicación práctica es simple: desenredar armonías superpuestas con máquinas aún no funciona de forma fiable.

Efectos de procesamiento intensivo. Un autotune ligero suele estar bien. Las voces con vocoder pesado, talkbox o formantes desplazados suelen ser ilegibles. Los modelos entrenados con características de voz natural no tienen forma fiable de revertir un procesamiento extremo antes de intentar la transcripción.

Técnicas vocales extremas. Growls de death metal, falsete intenso en el límite del registro agudo, vibrato operístico en notas muy largas y sostenidas. Los datos de entrenamiento para estos estilos son escasos, y el modelo recurre a aproximaciones fonéticas plausibles que pueden estar muy lejos de la letra real.

Si trabajas principalmente en estos estilos, la transcripción puede darte el 40-60% de la letra y hacerte trabajar más para reconciliar el resto. La transcripción manual es más rápida con esa tasa de error.

Extracción de letras multilingüe

Whisper Large-v3 admite 99 idiomas y, sobre stems vocales aislados, la precisión fuera del inglés queda en un rango similar al del audio limpio en inglés. Los flujos de trabajo de pop latino, Afrobeats y K-pop se benefician de esta cobertura. El cambio de código (espanglish, portugués con ad-libs en inglés) se maneja, pero pierde algunos puntos de precisión en los límites entre idiomas. El motor etiqueta las secciones, pero no siempre identifica correctamente qué idioma está activo cuando el cambio ocurre a mitad de frase.

Un paso útil antes de comprometerte con una transcripción multilingüe: verifica que la detección de idioma sea correcta leyendo el primer párrafo del resultado. Si el modelo identificó mal el idioma de origen, toda la transcripción derivará hacia ese idioma equivocado, algo más rápido de detectar temprano que en la limpieza.

Para empezar

Saca de tu archivo una pista con mucha voz. Si tienes los stems, salta directamente al paso de transcripción. Si solo tienes la mezcla, pásala primero por HTDemucs (o déjala en el nivel gratuito de 10 minutos de LALAL.AI). Luego sube la voz aislada a la herramienta de audio a texto y compara el resultado con lo que recuerdas. Si necesitas un punto de partida sin crear una cuenta, ConvertAudioToText te permite ejecutar una transcripción de inmediato sin registrarte.

La precisión que veas en esa primera voz aislada es un indicador fiable de cómo se comportará la herramienta en todo tu catálogo.

Preguntas frecuentes

¿Puedo transcribir letras directamente de una canción terminada y masterizada?

Puedes intentarlo, pero espera tasas de error de palabra por encima del 20% y la eliminación sistemática de coros y frases no léxicas como «ooh» y «la». Un estudio de arxiv de 2025 (2506.15514) confirmó que estos fallos persisten incluso después del aislamiento vocal. Para un máster pulido, el camino más fiable es aislar primero el stem vocal con HTDemucs o LALAL.AI y luego transcribir el stem en lugar de la mezcla completa.

¿Whisper alucina con la música?

Sí. Whisper puede generar texto completamente ajeno al audio cuando no puede interpretar la señal con claridad, y los colchones instrumentales son un detonante conocido. Contraintuitivamente, ejecutar la separación de fuentes antes de Whisper a veces puede aumentar las alucinaciones si la separación introduce artefactos. La mejor protección es usar un modelo de separación de alta calidad (HTDemucs ajustado, o el motor Orion de LALAL.AI) en lugar de uno antiguo como Spleeter, que data de 2019 y ya no se mantiene.

¿Cuál es la mejor herramienta gratuita de aislamiento vocal antes de transcribir?

HTDemucs (la versión ajustada, htdemucs_ft) es gratuito, de código abierto bajo la licencia MIT y lo mantiene Meta AI Research. Instálalo con pip install -U demucs y ejecuta demucs your_song.mp3. Genera stems de voz, batería, bajo y otros. Los benchmarks independientes lo sitúan por delante de Spleeter en torno a un 10-15% en puntuaciones de calidad de aislamiento. Como alternativa en el navegador sin instalación, LALAL.AI ofrece un nivel gratuito de 10 minutos.

¿Cuándo supera la transcripción manual a la IA para letras?

Tres situaciones favorecen el trabajo manual: voces muy procesadas con autotune o efectos de vocoder; técnicas vocales extremas como los growls de death metal o un falsete intenso, donde los datos de entrenamiento son escasos; y armonías apiladas o dos vocalistas con líneas superpuestas, donde la diarización falla y la transcripción fusiona ambas voces en una. En esos casos, un flujo de pausar y escuchar es más rápido que corregir un borrador de IA que tiene más errores que aciertos.

Fuentes

• Precios de LALAL.AI: lalal.ai/pricing (verificado el 2026-07-01)
• Función de transcripción de letras de Moises: moises.ai/features/ai-audio-transcription (verificado el 2026-07-01)
• Arxiv: Exploiting Music Source Separation for Automatic Lyrics Transcription with Whisper: arxiv.org/html/2506.15514v1 (2025)
• GitHub de Demucs de Meta AI Research: github.com/facebookresearch/demucs (verificado el 2026-07-01)
• Deepgram: Whisper-v3 Hallucinations on Real World Data: deepgram.com/learn/whisper-v3-results (verificado el 2026-07-01)
• RipX DAW de Hit'n'Mix: hitnmix.com/ripx-daw (verificado el 2026-07-01)