WAV vs MP3 para transcripción: lo que de verdad importa (2026)

For AI transcription, your file format matters far less than most guides suggest. Above roughly 128kbps, WAV and MP3 produce transcripts that are effectively identical. The mechanical reason: every major transcription engine (OpenAI Whisper, Deepgram, AssemblyAI) resamples incoming audio to 16kHz mono before processing. By the Nyquist theorem, 16kHz sampling captures frequencies up to 8kHz. The psychoacoustic content that MP3 encoding discards at 128kbps sits above that ceiling. The model never hears it anyway.

That said, WAV and FLAC have real advantages in specific situations. This post covers the honest tradeoffs.

How Transcription Engines Actually Process Your Audio

When you upload a file, the engine does not feed it raw into a neural network. Whisper, Deepgram, and AssemblyAI all run an internal preprocessing step that converts your audio to 16kHz mono 16-bit PCM. Whisper does this via ffmpeg. Deepgram handles it server-side. The model then operates on those normalized samples.

This matters because it collapses the theoretical quality gap between formats. A 44.1kHz stereo WAV and a 128kbps stereo MP3 both arrive at the model as the same 16kHz mono signal. The format you chose upstream becomes irrelevant to what the model actually processes.

Where format starts to matter is when the compression artifacts are audible before that resampling step. Sibilant consonants (s, sh, ch), soft fricatives (f, th), and speech with background noise are the places where low bitrates hurt, because the artifacts those bitrates introduce land squarely within the 300Hz to 8kHz range that speech recognition depends on.

Format and File Size Comparison

The table below uses a one-hour mono speech recording as the reference. File sizes for WAV are calculated from the PCM formula (sample rate x bit depth x channels x duration / 8). MP3 sizes use the CBR formula (bitrate x duration / 8).

Ten en cuenta que, en el caso del MP3, la tasa de bits que elijas ya cubre ambos canales. Un MP3 estéreo a 128kbps y un MP3 mono a 128kbps ocupan lo mismo, porque el codificador reparte su presupuesto de bits entre los canales. Si grabas en mono, obtienes mejor calidad por bit a la misma tasa.

Cuando el formato importa de verdad

La conclusión de que "apenas importa" se aplica a grabaciones de estudio limpias y a audio de entrevistas claro a 128kbps o más. Hay varias situaciones que te empujan de vuelta hacia los formatos sin pérdida.

Archivo y edición. Si piensas editar, recortar o volver a codificar la grabación más adelante, empieza y quédate en un formato sin pérdida. Cada vez que codificas un archivo con pérdida (de MP3 a MP3, o exportar a MP3 tras editar), acumulas la pérdida de calidad. Esto se llama pérdida generacional y es irreversible. WAV y FLAC no se degradan al reexportar. Para archivar, FLAC suele ser la mejor opción: consigue archivos entre un 50 y un 60 por ciento más pequeños que WAV con idéntica calidad, según la guía de formatos de AssemblyAI (consultada en junio de 2026).

Condiciones de audio complicadas. El ruido de fondo, los hablantes que se solapan, los acentos marcados y las grabaciones con volumen bajo dejan menos margen de error. Los artefactos de compresión que introduce un MP3 a 64kbps (corte de frecuencia en torno a 11kHz, timbrado en los transitorios y manchado temporal en las sibilantes) se suman al ruido que el motor ya tiene que filtrar. En esas condiciones, el formato sin pérdida ofrece una entrada más limpia y resultados visiblemente mejores.

Transcripción legal y médica. Algunos contextos exigen demostrar que la grabación no ha sido alterada. Los archivos WAV son sencillos de verificar; al no pasar por etapas de codificación, hay menos margen para posibles acusaciones de manipulación.

Mi opinión: para entrevistas, podcasts y reuniones grabadas en condiciones razonables, un MP3 mono a 128kbps es la opción adecuada. Usa WAV o FLAC cuando vayas a crear un archivo o a editar el material después.

El factor de la frecuencia de muestreo

La frecuencia de muestreo marca el techo de qué frecuencias puede capturar la grabación (la mitad de esa frecuencia, según Nyquist). Para transcripción:

• 8kHz captura hasta 4kHz. Es la calidad telefónica y pierde detalle de las consonantes.
• 16kHz captura hasta 8kHz. Es la tasa de procesamiento nativa de la mayoría de los modelos de voz y el techo práctico para ganar precisión.
• 22.05kHz o más captura detalle que el modelo vuelve a muestrear. No aporta ninguna mejora de precisión para transcripción.

Si grabas exclusivamente para transcribir y nada más, un WAV mono a 16kHz es la entrada teóricamente óptima: sin sobrecarga de remuestreo, sin artefactos de compresión y el archivo sin pérdida más pequeño para la tarea. En la práctica, la diferencia entre un WAV a 16kHz y un MP3 a 128kbps es casi nula con voz limpia. Consulta explicación sobre la precisión de la transcripción para ver en profundidad qué mueve realmente la aguja en la tasa de error por palabra.

Mono o estéreo

El estéreo prácticamente duplica el tamaño de un archivo WAV o FLAC sin aportar nada útil para la transcripción. El habla es una señal mono. Algunos motores antiguos solo procesaban el canal izquierdo de los archivos estéreo, con el riesgo de perder el habla del canal derecho. Los motores modernos gestionan ambos canales, pero el resultado final es igualmente una mezcla mono.

Graba y exporta en mono para transcribir. El ahorro de tamaño es real, el impacto en la precisión es cero.

Qué pasa con otros formatos

FLAC. Compresión sin pérdida. Los archivos ocupan entre un 50 y un 60 por ciento menos que un WAV, con audio bit a bit idéntico. Para transcribir, FLAC equivale a WAV. Es la mejor opción de archivo cuando el almacenamiento importa.

M4A/AAC. El formato de grabación por defecto en iPhone y iPad. AAC consigue mejor calidad que MP3 al mismo bitrate. Un M4A a 128kbps equivale aproximadamente a un MP3 a 192kbps. Súbelo tal cual.

Opus. Un códec moderno diseñado pensando en la compresión del habla. Supera al MP3 en cualquier bitrate, sobre todo en tasas bajas. Un archivo Opus a 64kbps dará mejores resultados que un MP3 a 96kbps. Su soporte crece, pero aún no es tan universal como el del MP3. Consulta formatos de audio compatibles para transcripción para ver la lista completa de compatibilidad.

WMA. El formato de Microsoft, habitual en grabaciones antiguas de Windows. La calidad es comparable a la del MP3 a bitrates similares. No supone ninguna ventaja ni desventaja particular para la transcripción.

El flujo de trabajo práctico

1. Graba en WAV o FLAC si tu dispositivo lo permite.
2. Archiva el original sin pérdida antes de cualquier edición o entrega.
3. Transcribe con tu herramienta de audio a texto directamente desde el original, o desde un MP3 mono a 128kbps si necesitas un archivo más ligero para subir.
4. Revisa la transcripción antes de culpar al formato del archivo. El ruido de fondo, varios interlocutores y el habla poco clara son causas de errores más probables que el contenedor.

Si ya estás trabajando con un archivo de baja tasa de bits (una grabación telefónica de 64kbps, una nota de voz antigua), transcríbelo tal cual. Convertirlo a WAV no restaura los datos de audio perdidos. El tamaño extra del archivo no aporta ningún beneficio en precisión.

Si quieres entender los costes ocultos de los servicios de transcripción o comparar cómo la transcripción por IA y la humana manejan audio difícil, esos artículos cubren las ventajas y desventajas con más detalle.

Si solo necesitas una transcripción limpia sin instalar software ni gestionar conversiones de archivos, ConvertAudioToText acepta WAV, MP3, FLAC, M4A, Opus y decenas de otros formatos directamente. Se encarga del remuestreo y la normalización del audio en el servidor.

Preguntas frecuentes

¿Convertir un MP3 de baja calidad a WAV mejora la precisión de la transcripción?

No. Convertir un archivo comprimido a WAV no recupera la información de audio que se descartó durante la compresión original. Un MP3 de 64kbps convertido a WAV sonará exactamente igual que el MP3 original y producirá la misma transcripción. Transcribe el archivo en su formato original. El motor no se beneficia de un tamaño de archivo inflado artificialmente.

¿Qué tasa de bits usan las plataformas de alojamiento de podcasts?

La mayoría de las plataformas de alojamiento de podcasts recomiendan MP3 mono a 128kbps para contenido hablado. Eso ya está en el umbral seguro para la transcripción, así que si trabajas con un episodio de podcast descargado, puedes subirlo directamente sin ninguna conversión.

¿Influye el códec de audio dentro de un archivo de vídeo en la transcripción?

Cuando subes un vídeo para transcribirlo, el motor extrae primero la pista de audio. El códec de audio (AAC, AC3, Opus) y su tasa de bits determinan la calidad, no el formato ni la resolución del vídeo. La mayoría de los archivos de vídeo llevan audio a 128kbps AAC o superior, muy por encima del punto donde la precisión empieza a degradarse.

¿Debería aplicar reducción de ruido antes de transcribir, o importa más el formato?

La reducción de ruido tiene un impacto mucho mayor que la elección del formato. Un MP3 de 128kbps con reducción de ruido producirá una transcripción significativamente más precisa que un archivo WAV con ruido. Si tienes audio difícil, límpialo primero con una herramienta como Audacity o Adobe Podcast Enhance Speech, y luego transcribe. Audio limpio combinado con cualquier bitrate razonable (128kbps o superior) es la fórmula fiable.

Fuentes

• Discusión de OpenAI Whisper sobre la tasa de muestreo óptima - confirmado el remuestreo interno a 16kHz mediante ffmpeg
• AssemblyAI: Mejores formatos de archivo de audio para voz a texto - recomendaciones de formato y cifras de tamaño de FLAC, consultado en junio de 2026
• Deepgram: Formatos de audio compatibles - más de 100 formatos aceptados, límite de tamaño de archivo de 2GB, consultado en junio de 2026
• Optimiza la API de OpenAI Whisper: formato de audio y tasa de muestreo - pruebas prácticas del impacto del formato y el bitrate
• SayToWords: MP3 vs WAV para voz a texto - comparación cualitativa de precisión por bitrate
• Sound On Sound: Qué le hace la compresión de datos a tu música - características de los artefactos de MP3 a bitrates bajos
• Universidad de Michigan: Archivado digital de audio y vídeo - guía sobre formatos de archivo