Transcripción de TikTok
en unos 20 segundos
Pega un enlace público de TikTok y recupera lo que se dijo, como texto que puedes copiar, guardar en .txt o convertir en subtítulos .srt. Sin cuenta, sin app, nada que instalar.
Con cronómetro
Un vídeo de 61 segundos vuelve como texto en 6,8 segundos en nuestro servidor de dos núcleos. Publicamos el tiempo; casi todas las herramientas dicen «instantáneo».
SRT y VTT incluidos
Marcas de tiempo reales, exportadas como archivos de subtítulos que entran directos en CapCut, Premiere o DaVinci. Aquí no hay muro de pago.
Sin cuenta, nunca
Sin registro, sin app y sin tope diario. Cada visitante tiene cinco transcripciones por hora para que el servidor siga sirviendo a los demás.
Qué es en realidad una transcripción de TikTok
Una transcripción de TikTok es la parte hablada de un vídeo escrita como texto. No es el pie de foto que el creador escribió bajo la publicación, ni los hashtags. Es solo lo que se dijo en voz alta, en el orden en que se dijo.
Hay dos sitios donde la gente la busca y es fácil confundirlos. El primero son los subtítulos automáticos de TikTok, que aparecen en algunos vídeos cuando el creador los activó. Sirven en pantalla pero no se pueden descargar como archivo, y la mitad de los vídeos no los tienen. El segundo es una herramienta de transcripción que escucha el audio y reconstruye el texto desde cero, que es lo que hace esta página.
Tres formas de conseguir una, comparadas con honestidad
| Método | Tiempo para un clip de 60 s | Exportar como archivo | Funciona en todos los vídeos |
|---|---|---|---|
| Escribirlo a mano escuchando | 8 a 15 minutos | Lo que tú hagas | Sí |
| Subtítulos propios de TikTok | Instantáneo, si existen | No | No, solo cuando el creador los activó |
| Esta herramienta | 7 segundos (medido) | .txt, .srt, .vtt | Sí, siempre que haya voz |
Lo que medimos
Son ejecuciones reales en la máquina que sirve esta página, una transcripción a la vez. El audio se corta a los primeros 90 segundos, así que un vídeo largo tarda lo mismo que uno de 90 segundos.
| Vídeo de origen | Duración | Texto devuelto | Tiempo |
|---|---|---|---|
| Inglés, plano medio hablado, @thecreator18089 | 2 min 56 s | 1.454 caracteres | 16,7 s |
| Inglés, narración, @xper.10 | 8 min 22 s | solo los primeros 90 s | 24,3 s |
| Japonés, unboxing, @leoichannel | 2 min 17 s | 1.180 caracteres | 18,7 s |
| Inglés, vídeo de letra de canción, @freitassra | 1 min 1 s | 197 caracteres | 6,8 s |
Los números cambian con la carga del servidor y la duración del vídeo. Lo que no cambia: el límite de 90 segundos, el tope por visitante y el hecho de que ves el tiempo real en lugar de una promesa de marketing.
Lo que no hace
Esta parte es más larga que el argumento de venta de casi todas las herramientas, y es a propósito. Saber los bordes evita culpar a la herramienta de algo que nunca prometió.
- Los vídeos de más de 90 segundos se cortan a los 90 segundos. Solo se procesa el primer tramo de audio. Un pódcast de diez minutos te dará su minuto y medio inicial, nada más. La tarjeta de resultado lo avisa cuando ocurre.
- Un vídeo sin voz no devuelve nada. Los clips solo de música, los bailes de moda y los montajes mudos vuelven como «no se detectó voz». Eso es la herramienta funcionando, no fallando.
- El texto incrustado en la imagen no está en la transcripción. Si el creador escribió palabras sobre el vídeo, esos píxeles no se leen. Solo se escucha el audio.
- Cinco transcripciones por visitante y hora. El modelo necesita unos 500 MB de memoria mientras funciona y el servidor hace una a la vez, así que esto mantiene la cola corta en lugar de hacer esperar a todo el mundo.
- La precisión baja con el ruido. Música fuerte de fondo, acentos marcados y habla muy rápida cuestan palabras. El resultado es legible, no apto para un juzgado.
A dónde va el resultado
Cada resultado te da tres salidas, y son formatos distintos para trabajos distintos, no tres copias de lo mismo.
- Copiar texto pone toda la transcripción en el portapapeles, en un párrafo. Sirve para pegarla en un documento, un chat o una herramienta de IA.
- .txt es el mismo texto como archivo plano, para archivar o pasárselo a otra persona.
- .srt y .vtt son archivos de subtítulos con una marca de tiempo en cada línea. Los importas en un editor y los subtítulos quedan sincronizados sin reescribir ni un código de tiempo.
Si solo querías una cita, con el primer botón basta. Si estás rehaciendo el vídeo con tu propio material, los archivos de subtítulos son los que te ahorran la hora.
¿Te interesa el resto del flujo? Guía completa para descargar vídeos de TikTok · Convertir el vídeo a MP3 · Qué hacer si la descarga falla
Preguntas frecuentes
¿Cómo consigo la transcripción de un vídeo de TikTok?
Abre el vídeo en la app de TikTok, toca Compartir y luego Copiar enlace. Vuelve a esta página, pega el enlace en el cuadro y pulsa Extraer transcripción. El texto aparece en la tarjeta de resultado, normalmente en veinte segundos. No hay nada que instalar ni cuenta que crear.
¿Puedo descargar la transcripción como subtítulos?
Sí. Cada transcripción terminada trae dos botones extra: .srt y .vtt. Los dos conservan las marcas de tiempo originales, así que el texto sigue sincronizado con el vídeo al importarlo en CapCut, Premiere Pro, DaVinci Resolve o cualquier reproductor que lea subtítulos. El botón .txt está para cuando solo quieres las palabras.
¿Por qué se detiene a los 90 segundos?
Porque transcribir audio es la parte cara. Una máquina de dos núcleos tarda unos 16 segundos en 60 segundos de audio, y dejar pasar un vídeo de diez minutos ocuparía el único procesador casi tres minutos mientras los demás esperan. El límite de 90 segundos mantiene la cola en movimiento. Los vídeos más largos también funcionan, solo obtienes el tramo inicial.
Dice que no se detectó voz. ¿Qué ha pasado?
Probablemente el vídeo no tiene a nadie hablando. Los clips solo de música, los vídeos de baile, los montajes mudos y los vídeos con texto en pantalla devuelven ese mensaje, y es exacto, no un error. Otra causa es un vídeo cuyo audio no se descargó bien, lo que suele resolverse reintentando una vez.
¿Hay un límite? ¿Necesito una cuenta?
Sin cuenta, sin correo, sin tarjeta. El único límite es de cinco transcripciones por visitante y hora, contadas por dirección IP. Existe porque el modelo de voz ocupa varios cientos de megabytes de memoria mientras corre y el servidor atiende un trabajo a la vez, así que una cola corta es mejor que una caída.
¿Mantiene el idioma original?
Sí, casi siempre, pero no siempre. El idioma se detecta del audio y el texto vuelve en el idioma que elige el modelo, y no siempre es el idioma que se habla: dos clips en inglés de 8 segundos, el 4 y el 9 de noviembre de 2026, volvieron como RU con texto en cirílico sin sentido, mientras que un clip en inglés de 4 min 44 s del mismo día volvió como EN y legible. Los clips cortos, la música y el ruido fuerte son donde más falla. No se ofrecen traducciones, así que si la detección falla recibes el idioma equivocado, no una versión traducida del idioma correcto.
¿Aparecerán las palabras incrustadas en el vídeo?
No. El texto en pantalla es parte de la imagen y esta herramienta solo escucha el sonido. Si un creador escribió todo su guion sobre el vídeo y nunca lo dijo en voz alta, la transcripción saldrá vacía aunque la pantalla esté llena de palabras.
¿Está permitido? ¿Y los derechos de autor?
Leer lo que alguien dijo no es lo mismo que republicar su vídeo, pero las palabras siguen siendo de quien las escribió. Cita con crédito, no hagas pasar el guion de otra persona por tuyo y revisa las normas de donde pienses publicarlo. ClipDocky no está afiliado a TikTok.