¿Puede ChatGPT transcribir audio? Sí, si eliges la ruta correcta

ChatGPT puede formar parte de un flujo de transcripción de audio, pero no es una bandeja universal donde cualquier MP3 se convierte automáticamente en texto. Si estás grabando dentro de una experiencia de escritorio de ChatGPT compatible, usa ChatGPT Record. Si ya tienes un MP3, M4A, WAV o una nota de voz, usa OpenAI Audio API o una herramienta de transcripción confiable. Si necesitas convertir voz en texto mientras la persona habla, usa Realtime transcription. Si el transcript ya existe, ChatGPT suele ser más útil para limpiar, resumir, traducir y extraer tareas.

OpenAI documenta ChatGPT Record por separado de las APIs de Audio y Realtime para desarrolladores. Eso significa que una suscripción a ChatGPT, una OpenAI API key y una herramienta externa de transcripción no son el mismo contrato. La disponibilidad, los modelos, los formatos y el estado del servicio fueron revisados el 16 de mayo de 2026.

No subas llamadas privadas, datos regulados ni grabaciones realizadas sin permiso. Si importan nombres, números, decisiones, etiquetas de hablante o citas, revisa el transcript antes de usarlo en una respuesta a un cliente, un contrato, una nota médica, un documento legal o una decisión de pago.

Empieza por ubicar dónde está el audio

La búsqueda en español suele juntar varias preguntas en una sola: “¿puede ChatGPT transcribir audio?”, “¿puedo subir un MP3?”, “¿sirve Whisper?”, “¿cómo transcribo una reunión?”, “¿puedo resumir un audio?”. Si la respuesta se queda en un sí o un no, termina mezclando rutas que tienen dueños y límites distintos.

El “sí” sin matices confunde a quien ya tiene un archivo. ChatGPT Record puede transcribir audio capturado dentro de una superficie compatible del producto, pero la subida normal de archivos en ChatGPT no se convierte por eso en una ruta general y confiable para MP3, M4A o WAV antiguos. La página de OpenAI sobre tipos de archivo compatibles en ChatGPT, revisada el 16 de mayo de 2026, enumera documentos, hojas de cálculo, presentaciones, PDF y archivos de texto comunes; no presenta los formatos de audio como la vía general de subida para transcribir.

El “no” también es una mala respuesta si se dice de forma absoluta. OpenAI tiene una página de ayuda para ChatGPT Record, y para desarrolladores mantiene una guía de speech-to-text y una guía de Realtime transcription. La respuesta útil es condicional: primero identifica la ruta, luego decide si ChatGPT u OpenAI encajan.

La división práctica es sencilla. Si el audio está ocurriendo ahora y estás en una experiencia de escritorio de ChatGPT compatible, el camino de consumo es Record. Si el audio ya existe como archivo, usa Audio API o una herramienta de transcripción. Si el producto necesita subtítulos, notas de llamada o voz en texto dentro de la app mientras el usuario habla, usa Realtime. Si el audio ya fue convertido en texto, ChatGPT se vuelve editor, resumidor, traductor y extractor de tareas.

También separa la propiedad de cuenta. Un plan de ChatGPT decide qué funciones expone el producto ChatGPT. Una OpenAI API key decide qué puede llamar un proyecto de desarrollador. Una app externa decide su propia carga, retención, precio, borrado y soporte de hablantes. Llamar a todo “transcribir con ChatGPT” hace que el diagnóstico sea más difícil.

Cuándo usar ChatGPT Record

Usa ChatGPT Record cuando la grabación se captura dentro de la experiencia compatible de ChatGPT y quieres que el producto genere transcript, resumen o notas de esa sesión. La página de ayuda de ChatGPT Record, revisada el 16 de mayo de 2026, indica disponibilidad en la app de escritorio de macOS para workspaces Plus, Pro, Business, Enterprise y Edu.

Esta ruta tiene sentido para reuniones, lluvias de ideas, entrevistas, notas de voz y trabajos de captura en vivo. No significa que puedas arrastrar cualquier archivo antiguo de audio a cualquier chat de ChatGPT. Record tiene su propia superficie de producto, permisos de micrófono, controles de workspace, límites de sesión y reglas de retención.

La página de ayuda describe actualmente un límite de cuatro horas por sesión, pero los límites, planes y plataformas disponibles pueden cambiar. Si vas a escribir documentación interna o una guía pública con ese dato, vuelve a revisar la fuente el día de publicación.

Record puede manejar varios hablantes, pero el resultado sigue necesitando revisión. Nombres, cifras, precios, fechas, términos técnicos, compromisos de clientes y formulaciones legales son exactamente los puntos donde un error pequeño se vuelve caro. Si el transcript alimenta un contrato, una respuesta a un cliente, una nota médica o legal, o una decisión de pago, trátalo como borrador verificable.

La retención también importa. OpenAI dice que las grabaciones de audio de Record se usan para transcripción y luego se eliminan, mientras que los canvases y transcripts generados siguen la retención normal de conversación o canvas. Esa forma de datos no es igual a subir un audio a una web gratuita, ni igual a procesarlo con tu propia API y guardarlo en logs o storage.

Qué hacer con un MP3, M4A, WAV o nota de voz existente

El archivo existente es la rama más propensa a confusión. Muchas personas ya tienen una grabación de reunión, entrevista, clase, podcast, llamada o mensaje de voz, y quieren saber si “ChatGPT lo transcribe”. Aquí no conviene partir de la suscripción, sino de la superficie concreta que estás usando y de si esa superficie admite ese archivo de audio.

Para una grabación personal de bajo riesgo, una herramienta dedicada puede ser más simple que escribir código contra una API. La contrapartida es la confianza. Antes de subir un archivo, revisa quién opera el servicio, si retiene archivos, si permite borrado, si usa uploads para entrenamiento, cómo divide archivos largos, si cobra extra por etiquetas de hablante y qué ocurre al terminar el plan gratuito.

Para trabajo repetible, OpenAI Audio API suele ser más limpia. Te da un endpoint explícito, modelos, formato de respuesta, control de reintentos, límites de logging y una forma de conectar el transcript con una base de datos, un CRM, un sistema de soporte o una cola interna. También evita confundir una limitación de producto de ChatGPT con una capacidad de desarrollador.

Cuando un archivo falla en ChatGPT, no sigas intentando la misma carga a ciegas. Primero decide si esa ruta de producto realmente soporta audio en tu sesión. Luego revisa duración, formato, tamaño, reglas del workspace y estado del servicio. Si el audio es crítico para negocio, muévelo a una ruta controlada en vez de forzar una subida de chat que quizá no fue diseñada para esa tarea.

Usa Audio API para archivos ya terminados

OpenAI Audio API es la ruta de desarrollador cuando la entrada es un archivo terminado y la salida debe convertirse en transcript que tu aplicación pueda guardar o procesar. La guía de speech-to-text, revisada el 16 de mayo de 2026, documenta /v1/audio/transcriptions para transcripción y /v1/audio/translations para traducir audio al inglés.

El flujo de archivo es directo: sube un archivo de audio aceptado, elige un modelo de transcripción, recibe texto o JSON, y pasa ese transcript a pasos posteriores. La guía enumera actualmente mp3, mp4, mpeg, mpga, m4a, wav y webm como formatos estándar de subida, con un límite estándar de archivo de 25 MB. Esos detalles son volátiles y deben revisarse antes de producción, sobre todo si aceptas archivos de clientes.

La elección de modelo debe salir del resultado que necesitas. La guía lista gpt-4o-transcribe, gpt-4o-mini-transcribe, gpt-4o-transcribe-diarize y whisper-1. Usa una ruta más ligera si el audio es limpio y el coste importa. Usa una ruta más fuerte si la precisión pesa más. Usa diarization cuando las etiquetas de hablante sean necesarias, y confirma soporte de parámetros antes de asumir que timestamps, streaming o speaker labels funcionan igual en todos los modelos.

La forma mínima en JavaScript se ve así:

js
import OpenAI from "openai";
import fs from "node:fs";

const client = new OpenAI({ apiKey: process.env.OPENAI_API_KEY });

const transcript = await client.audio.transcriptions.create({
  model: "gpt-4o-mini-transcribe",
  file: fs.createReadStream("meeting.m4a"),
  response_format: "json",
});

console.log(transcript.text);

Producción necesita más que esa primera llamada. Guarda nombre del archivo original, duración, modelo, formato de respuesta, hora de solicitud, número de reintentos, versión del transcript y estado de revisión. Si el transcript alimenta contenido visible para clientes, almacena también quién lo verificó.

También separa OpenAI directo, nube, proxy empresarial y gateway externo. Un gateway puede reducir fricción, pero tiene su propia facturación, límites, mapeo de modelos, logs y soporte. Que un proveedor procese un audio no prueba que la interfaz normal de ChatGPT deba aceptar el mismo archivo.

Usa Realtime transcription para voz en directo

Realtime transcription sirve para flujos de audio en vivo, no para renombrar la subida de archivos. Encaja en subtítulos, notas de llamada, asistentes de voz, speech-to-text dentro de una app y productos que necesitan texto mientras el usuario sigue hablando. La guía de Realtime transcription, revisada el 16 de mayo de 2026, describe sesiones de transcripción, eventos de transcript delta, tradeoffs de latencia y precisión, y la ruta de baja latencia gpt-realtime-whisper.

La implementación cambia. En lugar de subir un archivo terminado y esperar el resultado final, la app abre una sesión, transmite audio, recibe eventos incrementales y decide qué hacer con parciales, correcciones, silencios, turnos y desconexiones. Eso mejora la experiencia en vivo, pero aumenta la complejidad de confiabilidad.

Usa Realtime cuando la demora importa de verdad. Para transcribir clases antiguas, podcasts o notas de voz por lotes, el endpoint de archivo suele ser más simple de depurar y de presupuestar. Para reuniones en vivo, captions, agentes de voz o asistencia durante llamadas, Realtime permite reaccionar mientras la conversación ocurre.

El 7 de mayo de 2026 OpenAI presentó GPT-Realtime-Whisper para speech-to-text en streaming, y OpenAI Status registró después un incidente resuelto del 7 al 8 de mayo que afectó transcripciones en ChatGPT y Codex. Ese incidente no diagnostica una falla actual, pero recuerda una regla operativa: si fallan al mismo tiempo entradas limpias, cuentas y rutas distintas, revisa el status page antes de reescribir todo el workflow.

Usa ChatGPT después de la transcripción

Aunque ChatGPT no sea el componente que convierte audio en texto, puede ser el mejor componente después de que el transcript existe. Para archivos de audio existentes, el flujo más claro suele ser: transcribe con una ruta controlada y luego usa ChatGPT para transformar el texto.

Buenos trabajos posteriores incluyen:

• limpiar muletillas sin cambiar el sentido
• crear resumen corto, notas detalladas y briefing ejecutivo
• extraer decisiones, riesgos, responsables y fechas límite
• convertir una reunión en email de cliente o documento de proyecto
• traducir preservando la intención de los hablantes
• encontrar citas o timestamps si el transcript los trae
• comparar dos versiones y detectar cambios de compromisos

Aquí una suscripción a ChatGPT puede seguir siendo valiosa aunque la subida ordinaria de audio no sea la ruta de transcripción. Una vez que el contenido es texto, ChatGPT puede razonar, reescribir, estructurar y responder preguntas de seguimiento. La clave es no presentar la limpieza de un transcript como prueba de que el audio original fue transcrito dentro de ChatGPT.

Para transcripts sensibles, reduce el contenido antes de pegarlo. Elimina identificadores privados, datos de pago, detalles médicos o legales y todo lo que el destinatario no necesita. Si la grabación pertenece a un cliente, empleador, clase o relación profesional, sigue la política de esa relación.

Revisa seguridad y confiabilidad antes de subir audio

El audio puede contener voces, nombres de fondo, datos de clientes, salud, finanzas, menores, personas presentes o participantes que no consintieron la grabación. La ruta correcta no es solo la que funciona; también debe ser una ruta que tengas permiso de usar.

La confiabilidad también necesita método. Ruido, solapamiento de voces, acentos, volumen bajo, música, vocabulario especializado y varios hablantes pueden producir un texto pulido pero equivocado. Pide marcar términos inciertos, compara decisiones importantes con el audio y no uses etiquetas de hablante sin revisión.

Si la transcripción falla de repente, cambia una variable por vez. Prueba un archivo más corto, un formato más simple, una grabación limpia, una sesión nueva, otra ruta o el status page. Si fallan varias pruebas limpias a la vez, puede ser estado del servicio. Si falla solo un archivo, probablemente el archivo sea la rama. Si falla la ruta de producto de ChatGPT pero funciona la API, el problema está en la superficie de producto, no en toda la transcripción de OpenAI.

Preguntas frecuentes

¿ChatGPT puede transcribir un MP3?

No trates la subida ordinaria de archivos de ChatGPT como ruta confiable para transcribir MP3. ChatGPT Record puede transcribir audio capturado en su superficie compatible, y OpenAI Audio API puede transcribir archivos de audio subidos por la ruta de desarrollador. Si ya tienes un MP3, usa Audio API o una herramienta confiable salvo que tu sesión de ChatGPT muestre explícitamente una función de archivos de audio.

¿ChatGPT Record es gratis?

La página de Record revisada el 16 de mayo de 2026 lista workspaces Plus, Pro, Business, Enterprise y Edu, y menciona la app de escritorio de macOS. Es una afirmación de elegibilidad de producto, no una promesa permanente de precio. Revisa Help Center antes de publicar lenguaje exacto sobre planes, plataformas o límites.

¿El dictado de voz es lo mismo que transcripción?

No. El dictado convierte una frase hablada en texto para el cuadro de chat. La transcripción de reuniones o archivos convierte una grabación en transcript, a veces con hablantes, timestamps, limpieza y revisión. Confundirlos es una razón por la que el “sí” simple resulta engañoso.

¿Qué modelo de OpenAI deben usar los desarrolladores?

Empieza por el resultado que necesitas. Usa un modelo actual gpt-4o de transcripción para la ruta moderna de speech-to-text, considera mini si importan coste y velocidad, usa diarization si necesitas hablantes, y revisa whisper-1 si tu flujo depende de traducción o timestamps antiguos. Los nombres y parámetros pueden cambiar.

¿OpenAI puede transcribir audio en vivo?

Sí, pero usa Realtime transcription, no el endpoint de archivo terminado. Realtime transmite audio a una sesión y devuelve eventos de transcript mientras la conversación sigue. Es la forma correcta para captions, contexto de asistente en vivo y speech-to-text dentro de una app.

¿ChatGPT puede resumir un transcript de audio?

Sí. Una vez que el audio es texto, ChatGPT puede resumir, limpiar, traducir, extraer tareas, redactar emails y comparar versiones. Mantén la ruta honesta: resumir un transcript no es lo mismo que transcribir el audio original dentro de ChatGPT.

¿Qué hago si la transcripción deja de funcionar?

Primero identifica la ruta. Para ChatGPT Record, revisa app, workspace, permisos de micrófono y OpenAI Status. Para un archivo existente, revisa formato, longitud, tamaño y si esa ruta admite audio. Para API, registra modelo, endpoint, formato de respuesta, hora de solicitud y error. Si varias pruebas limpias fallan a la vez, mira el status page antes de cambiar arquitectura.