Entrevistas, clases y vídeos citables al segundo
Transcripción palabra a palabra con quién habla, tramos citables de 30 a 60 segundos, fotogramas buscables y un reproductor con la transcripción sincronizada donde se cita seleccionando el texto.
Revisado el Esta página en Markdown
La transcripción
El audio se transcribe en tramos de diez minutos con dos segundos de solape. Cuando hay clave de Gemini, transcribe Gemini Transcribe, que distingue hablantes; si falla, Whisper (large-v3-turbo, en Workers AI). Después, un modelo identifica el reparto (quién habla y en qué papel: entrevistador, invitado, presentadora) y asigna cada frase a una persona con nombre, lo que corrige las etiquetas que no coinciden de un tramo a otro. En dos entrevistas del banco, la atribución fue correcta en 20 de 21 turnos y en 23 de 23.
El texto se parte en tramos citables de 30 a 60 segundos (45 de media) que acaban en final de frase. Cada tramo es una unidad con su ancla de tiempo y su hablante, y se guardan además los tiempos de cada palabra.
Los fotogramas
En los vídeos se toma un fotograma en cada cambio de escena y, si no hay cambios, uno cada 20 segundos (nunca más de uno cada 10). Los fotogramas se describen y se vectorizan, de modo que se puede buscar «la pizarra con el diagrama» y llegar al segundo exacto.
YouTube, Vimeo y pódcast
Un vídeo de YouTube no se descarga: Gemini lo ve desde su dirección, a trozos de diez minutos, y el título y el canal salen de su ficha pública. De Vimeo se toma el fichero descargable más pequeño; de un pódcast, el audio que anuncia su RSS.
El reproductor
- Línea de tiempo con los turnos de cada hablante, los capítulos y una vista previa del fotograma al pasar por encima.
- Transcripción sincronizada que resalta la palabra que suena; un clic en una palabra salta a ese momento.
- Para citar, se selecciona el texto: la cita sale con su intervalo exacto («12:04-12:40»).
- Un reproductor pequeño sigue sonando mientras navegas por el resto de la aplicación.
Lo que hemos medido
Una entrevista en vídeo de 54 minutos quedó lista en 45 segundos (0,41 $), y una de dos horas, en 70 segundos (0,94 $); transcribir cuesta unos 0,005 $ por minuto. En la primera Scholaris, la misma entrevista de 54 minutos tardaba tres horas y 39 minutos. Todas las cifras y sus condiciones están en Rendimiento.
Lo que falta
Los tiempos de cada palabra se estiman dentro de cada segmento, no se miden uno a uno. Algunos vídeos con códecs poco comunes aún no se convierten a un formato que todos los navegadores reproduzcan.