Tienes una grabación — un standup, una llamada con un cliente, una reunión de padres y profesores — y necesitas lo aprovechable: qué se decidió, quién hace qué y qué sección corresponde a cada hablante. Aquí está el flujo que funciona, con la salida real incluida.
Paso 1 — Suelta el archivo, di qué quieres sacar de él
Tres vías de entrada: sube un archivo de audio (MP3, WAV, M4A, FLAC — hasta una hora en una pasada), pulsa el botón del micrófono en el cuadro de mensaje para dictar o grabar, o usa el botón de grabar en la parte superior del cajón de archivos — las grabaciones aterrizan en tu workspace de cualquier forma. Luego di lo que necesitas en una frase:
- Solo transcripción — "transcribe esto" te da el texto.
- Actas — "conviértelo en actas con tareas accionables" te da un documento estructurado.
- Secciones — "separa la parte de nivel escolar de la parte de nivel de clase" también funciona — la transcripción lleva marcas de tiempo, así que el agente puede cortar secciones por tiempo.
Si el audio tiene varios hablantes, dilo — la transcripción se ejecuta con separación
de hablantes, y la salida nombra los turnos <|speaker:0|>, <|speaker:1|>, y así sucesivamente.
Paso 2 — Cómo se ve una transcripción real
Sintetizamos un standup de dos hablantes de 32 segundos (el mismo motor de voz que alimenta nuestro pipeline de podcast — así que este archivo es material de demo limpio de copyright, no la reunión real de nadie) y lo pasamos por el flujo. Escúchalo tú:
Y la transcripción real que produjo, etiquetas de hablante incluidas:
<|speaker:0|> Empecemos la revisión del sprint. Marketing terminó la renovación de la landing, y los registros suben un 12% semana a semana. <|speaker:1|> Buenos números. Por mi parte, el nuevo pipeline de transcripción se lanzó ayer. Las grabaciones de reuniones de hasta 60 minutos ahora funcionan en una pasada. Después, quiero feedback sobre el formato de las actas antes de anunciarlo. <|speaker:0|> Un punto abierto. El precio de la función de actas; llevaré una propuesta el jueves. ¿Algo más? <|speaker:1|> Solo una cosa. Todavía le debemos al equipo el informe del incidente de la semana pasada. Lo redacto hoy.
Cada turno lleva además marcas de tiempo de inicio y fin — eso es lo que hace posible dividir por secciones y "recorta la parte donde se habló de precios" sin volver a escuchar.
Paso 3 — Las actas son un paso de forma, no de transcripción
La transcripción es la materia prima; las actas son un producto editorial. Dile al agente la audiencia y la forma — "actas para el equipo, decisiones en una sección, tareas con responsables" — y escribe el documento, no solo formatea el volcado. En una ejecución real produjo dos archivos de una sola grabación: un resumen a nivel escolar y otro a nivel de clase, divididos en el momento en que la reunión cambió de alcance.
Los bordes honestos
- Las grabadoras con contenedores raros pueden decodificar mal. Si un archivo falla, el agente lo convierte a WAV con ffmpeg y reintenta — di "falló" y lo resolverá, pero un MP3/M4A estándar de un teléfono es el camino más suave.
- El audio en varios idiomas tiene sesgo hacia el idioma dominante. Inglés y chino mezclados funciona bien; una grabación muy multilingüe puede marcar los tramos en idioma secundario con una etiqueta de idioma en lugar de transcribirlos.
- Las etiquetas de hablante son números, no nombres. La transcripción dice speaker:0 y speaker:1; el agente adivina identidades por contexto ("el director", "el cliente") y acierta más veces de las que falla — verifica los nombres antes de publicar las actas.
- Los guiones y los nombres de producto pueden derivar. "meeting-to-minutes" puede volver como "meeting to minutes". Repasa los nombres propios una vez.
Hacia dónde va esto
El mismo pipeline alimenta todo lo que cuelga de una transcripción: follow-ups por email, decks de diapositivas a partir del contenido de la reunión, un digest semanal de standups. Es una capacidad del agente persistente — el mismo workspace que guarda tus documentos guarda el audio, la transcripción y lo que le pidas crear a partir de ellos.
Pruébalo: abre el workspace, suelta una grabación y di "transcribe esto y luego escríbeme las actas".