La guía completa de transcripción
de Instagram (2026)

Instagram concentra hoy más de dos mil millones de cuentas activas y se ha convertido, junto con TikTok, en el principal escaparate de vídeo corto del mundo. Reels, Stories, Live, IGTV: cada formato esconde horas y horas de audio que vale oro para creadores, marcas, investigadores y periodistas. El problema es que ese audio es invisible para Google, complicado de citar y muy difícil de reutilizar.

La transcripción de Instagram resuelve ese problema en segundos. Convierte el habla en texto, te permite buscar dentro de tus vídeos, generar subtítulos, redactar artículos a partir de un Reel viral y hacer que tu contenido sea accesible para personas con discapacidad auditiva. En esta guía pillar de 2026 vas a encontrar todo lo que necesitas saber: qué es, cómo funciona la IA por debajo, cómo transcribir cada formato, qué herramientas escoger, cómo conseguir el máximo de precisión y cómo evitar los errores legales más comunes.

Esta guía está pensada para hispanohablantes, con ejemplos prácticos, una comparativa real de herramientas y un plan claro para sacar provecho de tus transcripciones desde el primer día. Si solo tienes diez minutos, salta directamente al apartado paso a paso; si quieres entender el panorama completo, sigue leyendo.

1. ¿Qué es la transcripción de Instagram?

La transcripción de Instagram es el proceso de transformar en texto el audio hablado de cualquier contenido publicado en la plataforma: un Reel de 30 segundos, una Story con voz en off, un Live de una hora o un IGTV de quince minutos. El resultado es un documento de texto plano (o con marcas de tiempo, si exportas en formato SRT) que puedes copiar, editar, traducir o publicar en otro lugar.

Hasta hace pocos años, transcribir un vídeo era un trabajo manual largo y caro. Una persona escuchaba el audio, ponía el reproductor en pausa cada pocos segundos y tecleaba lo que oía. Una hora de vídeo podía requerir entre tres y cinco horas de transcripción humana. Hoy, gracias a los modelos de reconocimiento del habla (ASR, por sus siglas en inglés) basados en deep learning, ese mismo trabajo se hace en cuestión de segundos, con una precisión cercana a la humana en idiomas mayoritarios como el español.

Transcripción literal vs editada

Conviene distinguir dos tipos de transcripción que verás mencionados a menudo:

• Transcripción literal o verbatim: incluye todas las palabras pronunciadas, incluso muletillas como «eh», «o sea», «¿sabes?», risas, pausas largas y errores. Es la opción ideal para análisis lingüístico, pruebas judiciales o investigación cualitativa.
• Transcripción editada o limpia: elimina muletillas, repeticiones obvias y reorganiza ligeramente las frases para que el texto sea legible. Es la opción que querrás para crear un artículo de blog, un guion de podcast escrito o una newsletter a partir de un Reel.

La mayoría de herramientas IA, incluida Dokitscript, devuelven por defecto una transcripción casi-literal: todas las palabras importantes están, pero los repeticiones evidentes y los falsos comienzos se simplifican automáticamente. Tú decides después si la editas más o la usas tal cual.

Transcripción vs subtítulos

Otra confusión habitual es entre transcripción y subtítulos. Una transcripción es el texto completo, sin marcas de tiempo, pensado para ser leído como un documento. Un subtítulo es ese mismo texto cortado en pequeños fragmentos sincronizados con el vídeo (cada uno con un inicio y un final en milisegundos), guardados normalmente en formato .srt o .vtt. Toda buena herramienta de transcripción de Instagram te permite obtener ambos formatos a partir del mismo audio.

2. Por qué la necesitan creadores, marketeros e investigadores

La transcripción de Instagram dejó de ser un truco de power user para convertirse en una pieza estratégica del flujo de contenidos. Estos son los cinco perfiles que más la usan y por qué les cambia el día a día.

2.1. Creadores que quieren multiplicar su contenido sin grabar más

Si grabas un Reel de un minuto cada día, al final del mes tienes 30 minutos de contenido hablado. Bien transcrito, ese material da para una newsletter semanal, varios hilos en X, un par de artículos largos en LinkedIn y una decena de carruseles. La reutilización de contenido es la palanca número uno de los creadores que crecen rápido sin quemarse: graban una vez y publican muchas veces. Si quieres profundizar, tenemos una guía dedicada a reciclar contenido de vídeo en cinco formatos.

2.2. Marketeros que dependen del SEO

Google no escucha vídeos. Por mucho que tu Reel acumule millones de visitas en Instagram, no aporta nada a tu posicionamiento orgánico fuera de la plataforma. Si transcribes ese mismo Reel y lo publicas como artículo en tu blog, conviertes contenido efímero en activo SEO duradero. Los profesionales de Search Engine Journal llevan años recomendando este flujo: cada vídeo que produces debería tener al menos una versión textual indexable.

2.3. Community managers y agencias

Cuando gestionas varias cuentas, hacer auditorías de competencia o reportes de campañas implica revisar decenas de vídeos al mes. Transcribir todos esos Reels y Lives te permite buscar palabras clave dentro del contenido, comparar tonos y estructuras, detectar tendencias de mensaje y entregar reportes accionables a tus clientes en una fracción del tiempo.

2.4. Periodistas y verificadores de información

Las declaraciones públicas se hacen cada vez más en formato Reel o Live. Un periodista que cubre política, economía o cultura necesita poder citar con exactitud lo que dijo una figura pública. Una transcripción rigurosa, con la URL del vídeo original como prueba, es mucho más sólida que una cita escrita de memoria. Lo mismo aplica para el fact-checking: si un Reel viral hace una afirmación dudosa, lo primero es tener su transcripción exacta para analizarla palabra por palabra.

2.5. Investigadores y académicos

Las redes sociales se han convertido en un objeto de estudio legítimo en sociología, comunicación, lingüística, ciencias políticas y marketing. Transcribir un corpus de Reels te permite aplicar análisis cualitativo o cuantitativo, medir frecuencias léxicas, detectar narrativas dominantes o seguir la evolución de un debate público. Lo que antes requería un becario escuchando vídeos durante semanas, hoy se hace en una tarde.

3. Tipos de contenido de Instagram que puedes transcribir

Instagram no es un solo formato, sino un ecosistema. Cada tipo de contenido tiene sus particularidades técnicas a la hora de transcribir. Esta es la radiografía completa.

3.1. Reels

Los Reels son hoy el formato dominante de Instagram. Suelen durar entre 15 segundos y 90 segundos (aunque Meta empuja cada vez más los formatos de hasta tres minutos). Son públicos por defecto si la cuenta es pública, y tienen URL directa que puedes pegar en cualquier herramienta de transcripción online. Es el caso más sencillo y el flujo principal cubierto por Dokitscript: transcribir Reels de Instagram con un solo enlace.

Para una guía paso a paso específica, también puedes consultar nuestro tutorial cómo transcribir Reels de Instagram, donde detallamos cada acción con capturas mentales.

3.2. Stories

Las Stories son el formato efímero por excelencia: desaparecen a las 24 horas, salvo que el creador las guarde como Destacadas en su perfil. Esto plantea un reto: si quieres transcribir una Story, generalmente tendrás que guardarla primero (o pedirle al creador que lo haga) antes de poder pasarla por una herramienta. Las Destacadas tienen URL pública y pueden transcribirse igual que un Reel. Pronto publicaremos una guía dedicada a cómo transcribir Stories de Instagram con todos los flujos posibles.

3.3. Instagram Live

Los Lives son el formato más largo y, paradójicamente, el más rico en contenido transcribible. Una entrevista en directo de 45 minutos genera, fácilmente, cinco mil o seis mil palabras de texto. La condición es que el creador haya guardado el Live después de emitirlo y lo haya publicado como vídeo en su perfil. Una vez disponible, basta con pegar el enlace. Para Lives largos necesitarás un plan que soporte vídeos largos: el plan Business de Dokitscript permite hasta 90 minutos por transcripción. Si quieres profundizar, prepararemos un artículo específico sobre transcripción de Instagram Live.

3.4. IGTV y vídeos largos del feed

IGTV como producto independiente fue retirado por Meta, pero los vídeos largos siguen existiendo dentro del feed normal. Pueden durar hasta una hora en cuentas verificadas. Funcionan exactamente igual que los Reels desde el punto de vista de la transcripción: URL pública, audio extraíble, transcripción IA en uno o dos minutos según el procesamiento.

3.5. Leyendas (captions) y mensajes de voz en DM

Aunque no son audio en sentido estricto, vale la pena mencionarlos. Las leyendas escritas debajo de un Reel ya son texto y no requieren transcripción, pero a menudo son demasiado cortas para reutilizar como artículo: la transcripción del audio del propio Reel suele ser tres o cuatro veces más larga y más rica. Los mensajes de voz en DM sí son audio y pueden transcribirse, pero requieren un paso extra: tienes que descargar el audio (función nativa o herramienta de terceros) y subirlo manualmente a una herramienta como Dokitscript.

4. Cómo funciona la transcripción IA de Instagram

Entender cómo funciona la tecnología no es solo curiosidad: te ayuda a tomar mejores decisiones (qué herramienta elegir, qué precisión esperar, dónde está el límite). El flujo, simplificado, tiene cinco fases.

4.1. Descarga del audio

Cuando pegas la URL de un Reel en Dokitscript, lo primero que hace el sistema es extraer el audio del vídeo público. No descarga ni almacena el vídeo en sí: solo la pista de audio, normalmente en un formato comprimido como MP3 o M4A. Esto reduce drásticamente el peso (un Reel de 60 segundos pasa de ~10 MB de vídeo a ~1 MB de audio).

4.2. Pre-procesamiento

Antes de mandar el audio al modelo IA, se hace una serie de ajustes técnicos: normalización de volumen, eliminación de silencios largos, conversión a la frecuencia de muestreo que espera el modelo (16 kHz suele ser el estándar). Estas operaciones invisibles aumentan la precisión final entre dos y cinco puntos porcentuales.

4.3. Reconocimiento del habla con IA

El audio pre-procesado se envía al modelo de reconocimiento de voz. En Dokitscript usamos un modelo IA avanzado entrenado en cientos de miles de horas de audio multilingüe, que ofrece precisión de nivel humano en más de 90 idiomas, incluyendo español, catalán, gallego, portugués y todas las variantes latinoamericanas. El modelo divide el audio en pequeños segmentos, predice la secuencia de palabras más probable para cada segmento, ajusta puntuación y mayúsculas, y devuelve un texto continuo.

4.4. Post-procesamiento

El texto crudo del modelo pasa por una capa de limpieza: eliminación de duplicados artificiales, corrección de algunos errores típicos (números, fechas, nombres propios frecuentes), gestión de la puntuación, salto de párrafo en cambios largos de turno. Esta capa es lo que diferencia un transcript «útil» de uno «en bruto».

4.5. Entrega y almacenamiento

El texto final se devuelve en la interfaz, listo para copiar, descargar (TXT, SRT) o pasar por las herramientas de IA integradas (resumen, puntos clave, traducción, blog post). Dokitscript guarda la transcripción en tu historial cifrado, accesible solo desde tu cuenta, para que puedas volver a ella cuando quieras.

Niveles típicos de precisión

La precisión de la transcripción IA se mide normalmente con la métrica WER (Word Error Rate): el porcentaje de palabras incorrectas, omitidas o añadidas. Estos son los rangos que verás en 2026 sobre contenido de Instagram en español:

• Audio limpio, hablante único, español neutro: 95-97 % de precisión (WER 3-5 %).
• Audio limpio con acento marcado o variante regional: 90-95 %.
• Audio con música de fondo moderada: 85-92 %.
• Audio con varios hablantes solapados: 75-85 %.
• Audio con mucho ruido, viento o saturación: por debajo del 75 %; conviene revisar manualmente.

Veremos en la sección 7 cómo subir esa precisión al máximo.

5. Paso a paso: transcribe tu primer Reel

Si nunca has transcrito un Reel y quieres ver lo simple que es, sigue estos cuatro pasos. Tardarás menos de un minuto.

6. Manual vs IA: la comparación real

Mucha gente se sigue preguntando si vale la pena pagar (incluso unos pocos euros) por una herramienta IA cuando se podría transcribir manualmente. La respuesta corta es: salvo casos muy específicos, hoy no tiene sentido transcribir a mano. La respuesta larga, en una tabla:

El único caso en el que sigue teniendo sentido recurrir a la transcripción humana profesional es cuando necesitas un nivel de precisión cercano al 100 % con responsabilidad legal: un documento que va a ser usado como prueba judicial, un contrato verbal, una entrevista médica. Para todo lo demás (marketing, repurposing, SEO, investigación, divulgación), la IA gana por goleada.

7. Cómo conseguir 95 % de precisión

La calidad de la transcripción IA no depende solo del modelo: depende también, y mucho, del audio que le das. Si quieres maximizar la precisión y reducir al mínimo la edición posterior, sigue estas siete buenas prácticas.

7.1. Selecciona el idioma manualmente cuando puedas

La detección automática es fiable, pero saltarte ese paso ahorra tiempo y elimina el riesgo de que la IA confunda dos idiomas similares (español y portugués, por ejemplo) en los primeros segundos. Si sabes que el Reel está en español, dilo.

7.2. Apuesta por audio con voz clara

Los Reels en los que el creador habla a cámara con un micrófono cercano (auriculares con micro, micrófono lavalier, micro de condensador) producen casi siempre transcripciones por encima del 95 %. Los Reels grabados al aire libre con el micrófono integrado del móvil suelen quedarse entre el 85 y el 92 %. Para vídeos importantes (entrevistas, podcasts grabados como IGTV), el equipo de audio se nota.

7.3. Cuidado con la música de fondo

La música baja apenas afecta la transcripción. La música alta, sobre todo si tiene voces (canciones cantadas), puede confundir al modelo y bajar la precisión cinco o diez puntos. Si controlas el original, prueba a publicar una versión del Reel con música más baja en los segundos en los que tú hablas.

7.4. Evita los solapamientos largos

Los modelos IA son cada vez mejores con varios hablantes, pero cuando dos personas hablan al mismo tiempo durante varios segundos, el resultado puede ser confuso. Si tu Reel es una conversación, intenta editar para que cada persona hable en turnos limpios. Para audios con muchos hablantes, el plan Business de Dokitscript activa la detección de hablantes (speaker diarization) y etiqueta cada intervención con su locutor.

7.5. Aprovecha el contexto cultural

El modelo se equivoca más con nombres propios poco frecuentes, marcas, tecnicismos, abreviaturas locales o referencias muy nicho. Si tu contenido contiene mucha jerga (cripto, medicina, derecho, gaming), prevé un par de minutos de revisión para ajustar esos términos a mano. Es donde la combinación IA + revisión humana brilla.

7.6. Usa la edición integrada en lugar de empezar de cero

Después de transcribir, edita en línea: corrige las dos o tres palabras que ves mal, añade un salto de párrafo si lo prefieres, y exporta. Esto es siempre infinitamente más rápido que transcribir desde cero, incluso si el audio tiene problemas.

7.7. Aprovecha los formatos accesibles

El W3C Web Accessibility Initiative recomienda ofrecer subtítulos sincronizados y una transcripción completa para todo contenido audiovisual. No solo es buena práctica desde el punto de vista de la accesibilidad: es también una palanca SEO clara y, en algunos países, una obligación legal para entidades públicas y grandes empresas.

8. Del transcript al contenido: 6 formas de reutilizar

Una transcripción que se queda en un archivo de texto sin abrir es una oportunidad perdida. Estas son las seis maneras más rentables de transformar tus transcripciones de Instagram en otros activos de contenido. Cada una está implementada como herramienta IA dentro de Dokitscript, así que no necesitas programas adicionales.

8.1. Resumen ejecutivo

Si transcribes un Live de 45 minutos, lo último que quieres es leer 7 000 palabras seguidas. Un resumen IA condensa todo en 200-300 palabras con las ideas principales. Perfecto para reportes internos, para ti mismo (si reutilizas tu propio contenido) o para tus clientes (si gestionas cuentas).

8.2. Puntos clave en formato bullet

Una variante del resumen, pero estructurada como lista numerada. Es ideal para hacer un carrusel de Instagram, una infografía, un mini hilo en X o las notas de un episodio de podcast.

8.3. Leyenda optimizada para redes

Si grabaste el Reel pero no tienes ganas de redactar la caption, deja que la IA te genere una leyenda corta y enganchosa a partir de la transcripción. Resultado: hook fuerte, descripción concisa, llamada a la acción y hashtags relevantes.

8.4. Artículo de blog completo

Esta es probablemente la reutilización más rentable: pasa tu Reel a artículo de blog estructurado con introducción, varios H2, ejemplos y conclusión. Te ahorra varias horas por artículo y te genera un activo SEO permanente. Tenemos una guía detallada sobre cómo transformar un vídeo en artículo de blog.

8.5. Subtítulos SRT para republicar el Reel en otra plataforma

Si quieres llevar tu Reel también a TikTok, YouTube Shorts o LinkedIn vídeo, exporta los subtítulos en SRT y súbelos junto al vídeo en cada plataforma. Mejora la accesibilidad, aumenta el tiempo medio de visualización y suele subir el alcance entre un 10 y un 30 %.

8.6. Hilo en X o post largo en LinkedIn

Pide a la IA un «hilo en X de 8 tweets» o un «post de LinkedIn de 1 200 caracteres» a partir de la transcripción. Te quedará un texto coherente con tu contenido original, listo para publicar después de un repaso rápido.

Si quieres ir más lejos, nuestra guía pillar sobre cómo reciclar contenido de vídeo recoge un sistema completo para producir un mes de contenido a partir de una sola sesión de grabación.

9. Privacidad, derechos de autor y consideraciones legales

La transcripción es una herramienta poderosa, pero usarla sin entender el marco legal puede traer problemas. Esta sección no es asesoría jurídica (cuando hay dudas serias, conviene hablar con un abogado), pero te da los conceptos clave para evitar los errores más frecuentes.

9.1. Contenido público vs privado

Las herramientas online como Dokitscript solo pueden acceder a Reels publicados por cuentas públicas. Eso es importante por dos razones: técnica (no hay forma de acceder a contenido privado sin login) y legal (interceptar contenido privado sin consentimiento puede infringir leyes de protección de datos como el RGPD en Europa). Si necesitas transcribir contenido privado al que tienes acceso legítimo (por ejemplo, tus propios vídeos privados), descarga el archivo manualmente y súbelo a la herramienta.

9.2. Derechos de autor del transcript

Cuando transcribes un Reel ajeno, el texto resultante refleja palabra por palabra el discurso original. En España y la mayor parte de Latinoamérica, ese discurso pertenece a su autor. Eso significa que:

• Puedes transcribir para uso personal, periodístico, académico o crítico (derecho de cita).
• Puedes citar fragmentos cortos en un artículo, mencionando autor y fuente.
• No puedes publicar la transcripción íntegra como si fuera tuya, ni venderla, ni hacer una republicación textual sin autorización.

En la práctica, las marcas y creadores serios usan los transcripts de competidores para análisis interno, no para republicación. Si quieres reutilizar contenido ajeno, lo prudente es pedir permiso o crear una versión claramente derivada.

9.3. Derechos sobre tus propios transcripts

Cuando transcribes tu propio contenido, el texto es tuyo en todo derecho: puedes publicarlo, modificarlo, traducirlo, monetizarlo. Dokitscript no reclama ningún derecho sobre tus transcripciones; almacena los textos cifrados en tu cuenta para tu uso exclusivo, y puedes borrarlos cuando quieras.

9.4. Datos personales en el contenido

Si la transcripción contiene datos personales de terceros (nombres, ubicaciones, datos sensibles mencionados en una entrevista, por ejemplo), recuerda que esos datos siguen sujetos al RGPD. Tratar y publicar esos textos requiere las mismas garantías que cualquier otro tratamiento de datos: base legal, información a los interesados cuando aplique, medidas de seguridad. Para más contexto sobre las novedades de la plataforma, puedes consultar el blog oficial de Instagram.

9.5. Verificación y desinformación

Si publicas afirmaciones extraídas de un Reel ajeno, verifica el contexto y la integridad del fragmento citado. Sacar una frase de su contexto puede distorsionar el sentido y, en casos extremos, generar responsabilidad por difamación. La transcripción es una herramienta neutra; el uso responsable depende de quien la maneja.

10. Comparando las mejores herramientas en 2026

El mercado de transcripción ha explotado en los últimos años. La oferta es tan amplia que conviene saber cuál es la herramienta adecuada para cada perfil. Esta es nuestra comparativa honesta de las cuatro opciones más relevantes en 2026 para transcribir Instagram.

Dokitscript: la elección más cómoda para creadores

Es la opción más rápida si ya creas (o consumes) contenido en redes sociales: pegas la URL del Reel y obtienes el texto. No necesitas descargar nada, ni instalar software, ni configurar APIs. Tiene plan gratuito real, soporta 90+ idiomas con muy buena precisión en español, y trae diez herramientas IA integradas (resumen, puntos clave, traducción, blog post, leyendas, fact-check, fuentes, etc.). Su límite es que está pensado para vídeos cortos a medios (hasta 25 minutos en plan Pro, hasta 90 minutos en Business), no para reuniones de varias horas. Para una comparativa más amplia con otros programas, lee también nuestro artículo sobre los mejores programas de transcripción gratis.

Otter.ai: el rey de las reuniones

Otter es el estándar para grabar y transcribir reuniones de Zoom, Google Meet o Teams en directo. Sobresale en gestión de varios hablantes y resúmenes automáticos de reuniones. No está pensado para procesar vídeos sociales por URL: tendrías que descargar el Reel y subirlo manualmente. Si tu uso principal es contenido social, Otter no es el más eficiente.

Rev: cuando necesitas precisión humana certificada

Rev sigue ofreciendo transcripción humana profesional con calidad cercana al 100 % de precisión, ideal para subtítulos broadcast o vídeo corporativo de alta calidad. Coste muy superior (1,50 dólares por minuto aprox.) y orientado al inglés. Para Instagram diario, es exagerado.

Descript: el editor todo-en-uno

Descript va más allá de la transcripción: es un editor de podcast y vídeo donde editas el audio editando el texto (borras una palabra del transcript y se borra del audio). Espectacular para podcasters y editores, pero curva de aprendizaje y precio orientados a profesionales del audio.

11. Errores comunes y cómo solucionarlos

Estos son los problemas que aparecen con más frecuencia cuando los nuevos usuarios empiezan a transcribir Instagram, y la solución concreta para cada uno.

11.1. «No detecto ningún audio» o transcripción casi vacía

Causa probable: el Reel solo tiene música, sin voz. Las herramientas IA están entrenadas para reconocer habla, no para transcribir letras de canciones (eso, además, infringe derechos de autor en la mayoría de los casos).

Solución: verifica que el Reel contenga habla. Si solo hay música, no hay nada que transcribir.

11.2. «El enlace no funciona» o error 404

Causa probable: el contenido es de una cuenta privada, ha sido borrado, o has copiado mal la URL.

Solución: abre el enlace en una ventana de incógnito sin login. Si no carga, el contenido no es público y la herramienta no puede acceder. Pide al creador que comparta una versión accesible o, si es tu propio vídeo, descárgalo y súbelo manualmente.

11.3. Idioma incorrecto detectado

Causa probable: los primeros segundos del Reel contienen pocas palabras o están en otro idioma (música en inglés, una intro internacional).

Solución: selecciona manualmente el idioma del vídeo en el desplegable antes de pulsar Transcribir.

11.4. Nombres propios mal escritos

Causa probable: los nombres poco frecuentes (personas, marcas, ciudades) son siempre el punto débil del reconocimiento del habla.

Solución: usa la búsqueda y reemplazo (Ctrl+F en cualquier editor) para corregir todas las ocurrencias del nombre de una sola vez. En menos de un minuto tu transcripción queda perfecta.

11.5. Falta de párrafos o texto demasiado denso

Causa probable: el modelo IA segmenta por turnos de habla, pero un monólogo continuo puede salir como un único bloque largo.

Solución: añade saltos de párrafo manualmente al pasar el texto a un artículo o newsletter. La regla práctica es: nuevo párrafo cada 60-80 palabras o cada cambio de tema.

11.6. Transcripción cortada antes de tiempo

Causa probable: el vídeo supera el límite de duración de tu plan (3 minutos en gratuito, 8 en Starter, 25 en Pro, 90 en Business).

Solución: consulta los precios y planes para subir al nivel adecuado. Para Lives largos o IGTV, el plan Business es el que necesitas.

11.7. Subtítulos desincronizados

Causa probable: el SRT exportado tiene tiempos correctos pero el reproductor donde lo cargas tiene otro framerate.

Solución: al subir el SRT al editor de Instagram, CapCut o Premiere, ajusta el offset global (suele bastar con un desfase de 100-300 ms) y deja al editor sincronizar el resto.

12. Preguntas frecuentes

También disponible: Herramienta de transcripción de Instagram · TikTok a texto · YouTube Shorts a texto · Audio a texto