Respuesta rápida: un timestamp es la marca de tiempo (HH:MM:SS) que indica el momento exacto del audio en que se dice algo. Whisper y las herramientas construidas sobre él los generan automáticamente, por segmento o por palabra. Los formatos más usados son SRT y VTT para subtítulos, JSON para automatizaciones y texto con marcas tipo [00:01:23] para citas y consulta humana. VOCAP no pone marcas de tiempo: entrega el texto seguido y un resumen. Abajo tienes cómo conseguir los tiempos con otras herramientas y para qué sí te sirve VOCAP.
Si alguna vez has tenido que buscar una frase concreta en una grabación de dos horas, ya sabes el problema: texto sin tiempos es texto incómodo. No puedes saltar al minuto exacto, no puedes citar con precisión, no puedes generar subtítulos. Los timestamps resuelven todo eso a la vez.
Esta guía explica qué son, cuándo necesitas cada formato, cómo se generan en 2026 con IA y qué errores comunes evitar.
Qué es un timestamp en una transcripción
Un timestamp (también llamado marca de tiempo u horodatado) es un valor que indica el momento del audio en el que se pronuncia una palabra o frase. Suele expresarse en uno de estos formatos:
HH:MM:SS— horas, minutos, segundos. Lo más legible para humanos.HH:MM:SS,mmmoHH:MM:SS.mmm— con milisegundos. Estándar en SRT y VTT.segundosen formato decimal (83.42) — habitual en JSON y APIs.
Cada timestamp puede ser de inicio (start), de fin (end) o ambos. Los formatos profesionales siempre llevan los dos: el subtítulo aparece en start y desaparece en end.
Para qué sirven los timestamps (casos reales)
1. Subtítulos sincronizados
Es el caso más obvio: subtitular vídeos de YouTube, cursos online, webinars, redes sociales, accesibilidad. Sin timestamps no hay subtítulos. Formatos: SRT (universal) o VTT (web HTML5).
2. Edición de vídeo y audio
Los editores profesionales (Premiere, DaVinci Resolve, Final Cut) importan transcripciones con timestamps para hacer edición basada en texto: borras una palabra del transcript y el clip de vídeo se corta solo. Descript popularizó este flujo y hoy es estándar.
3. Citas precisas en investigación, periodismo y derecho
Cuando un periodista cita "según declaró el ministro en el minuto 14:23 de la rueda de prensa…" o un abogado refiere "véase deposición, audio de la testigo, 00:42:18", esa precisión solo es posible con timestamps. Investigadores cualitativos los usan para anclar verbatims en grabaciones de entrevistas y grupos focales.
4. Búsqueda y navegación dentro del audio
Una transcripción con timestamps convierte una grabación de tres horas en una pista navegable: buscas una palabra clave, ves a qué minuto se dijo, saltas allí. Esencial para podcasts largos, formaciones, archivos de reuniones.
5. Capítulos automáticos para podcast y YouTube
YouTube permite definir capítulos con marcas 00:05:30 Tema X en la descripción. Spotify y Apple Podcasts soportan capítulos en algunos formatos. Generarlos a mano es lento; con timestamps + análisis IA del contenido se obtienen en segundos.
6. Análisis de hablantes y participación
Si combinas timestamps con diarización (separación de hablantes) puedes calcular cuánto habló cada persona en una reunión, en una entrevista de RR. HH. o en un grupo focal. Útil para coaching de ventas, equilibrio de meetings, investigación.
Timestamps por segmento vs por palabra
No todos los timestamps tienen la misma granularidad. Hay dos niveles, y elegir el correcto importa.
| Tipo | Granularidad | Cuándo usarlo | Ejemplo |
|---|---|---|---|
| Por segmento | 5-15 segundos por bloque (frase o párrafo corto) | Subtítulos, texto navegable, citas humanas, capítulos | [00:01:23] Hola, bienvenidos al podcast. |
| Por palabra | Cada palabra con start/end en milisegundos | Edición de vídeo basada en texto, karaoke, animación de subtítulos, análisis cuantitativo del habla | {"word":"Hola","start":1.23,"end":1.45} |
Regla práctica: si solo vas a leer la transcripción o a generar subtítulos clásicos, los timestamps por segmento sobran. Si vas a hacer edición de vídeo basada en texto o a animar palabras (estilo TikTok caption), necesitas tiempos por palabra.
Formatos de salida con timestamps
SRT (SubRip Subtitle)
El estándar universal de subtítulos. Lo entienden YouTube, Premiere, Final Cut, VLC, Handbrake, Netflix y prácticamente cualquier reproductor.
1
00:00:01,200 --> 00:00:04,800
Hola, bienvenidos al podcast.
2
00:00:05,000 --> 00:00:09,500
Hoy hablamos de timestamps en transcripciones.
VTT (WebVTT)
Variante para HTML5 (etiqueta <track>). Soporta posicionamiento, estilos y metadatos extra. Si tu vídeo va embebido en una web, VTT es lo natural.
WEBVTT
00:00:01.200 --> 00:00:04.800
Hola, bienvenidos al podcast.
00:00:05.000 --> 00:00:09.500
Hoy hablamos de timestamps en transcripciones.
JSON (estructurado)
Lo usan APIs y automatizaciones. Whisper devuelve algo así:
{
"text": "Hola, bienvenidos al podcast.",
"segments": [
{
"id": 0,
"start": 1.20,
"end": 4.80,
"text": "Hola, bienvenidos al podcast."
}
]
}
Texto plano con marcas [HH:MM:SS]
El más cómodo para leer, citar y compartir. Lo prefieren periodistas, investigadores y equipos de actas.
[00:00:01] Hola, bienvenidos al podcast.
[00:00:05] Hoy hablamos de timestamps en transcripciones.
[00:00:14] El primer punto es la diferencia entre segmento y palabra.
TSV / CSV
Útil cuando necesitas pasar la transcripción a Excel, BigQuery o un análisis tabular. Cada línea es un segmento con columnas start, end, text.
Cómo se generan timestamps en 2026
Hay tres caminos:
- Whisper directo (OpenAI o local). La API de OpenAI (
whisper-1con formatoverbose_json) y las versiones open-source (whisper.cpp, faster-whisper) devuelven timestamps por segmento, y por palabra si lo activas (timestamp_granularitiesen la API,word_timestamps=Trueen local). Es la base técnica que usa la mayoría de herramientas modernas. - Servicios en la nube con exportación de subtítulos. Descript, Happy Scribe, Sonix, Otter o Riverside procesan el audio con motores propios o de terceros y exportan SRT, VTT o texto con tiempos sin tocar código. Consulta en cada uno qué formatos incluye su plan. VOCAP no está en este grupo: entrega texto sin tiempos.
- Manual con software de subtitulado. Aegisub, Subtitle Edit, Kapwing. Permiten marcar timestamps a mano sobre una transcripción ya hecha. Útil para correcciones finas, no para volúmenes grandes.
Ojo al elegir motor: no todos devuelven tiempos. Whisper (el de código abierto y whisper-1 en la API de OpenAI, con formato verbose_json) da tiempos por segmento y por palabra; otros modelos de voz a texto solo devuelven el texto. Antes de pagar, comprueba que la herramienta exporta SRT, VTT o JSON con tiempos.
Paso a paso: transcribir con timestamps (y dónde encaja VOCAP)
Primero lo importante: VOCAP no genera marcas de tiempo ni archivos SRT/VTT. Si los necesitas, estas son las vías reales, de la más sencilla a la más técnica:
- Si es un vídeo tuyo en YouTube. Súbelo (puede ser oculto) y, cuando YouTube genere los subtítulos automáticos, descárgalos desde YouTube Studio > Subtítulos. Gratis y ya sincronizados.
- Gratis en tu ordenador. Subtitle Edit (Windows) incluye una función de audio a texto con Whisper que crea los subtítulos con tiempos. Si te manejas en la terminal,
whisper audio.mp3 --language Spanish --output_format srt(o whisper.cpp / faster-whisper) hace lo mismo; añade--word_timestamps Truesi necesitas tiempos por palabra. - De pago, sin instalar nada. Descript, Happy Scribe, Sonix u Otter exportan SRT, VTT o texto con tiempos. Mira en su web qué formatos entran en cada plan.
- Convierte y ajusta. Con el conversor gratuito de SRT, VTT y TXT pasas un subtítulo de un formato a otro en el navegador, y con el conversor de timestamps traduces tiempos entre HH:MM:SS, segundos, milisegundos y frames.
- Revisa nombres propios, cifras y sincronía. Es donde más fallan los modelos. Comprueba los tiempos en 3-4 puntos del audio antes de publicar.
Para qué sí te sirve VOCAP. Si lo que necesitas es leer, citar o resumir la grabación, y no subtitularla, VOCAP te da la transcripción completa en texto seguido más un análisis: resumen, puntos clave, decisiones, tareas con responsable y plazo si se mencionan, fechas y preguntas abiertas. Lo copias o lo descargas en Word (.doc) o .txt. Archivos de hasta 500 MB; una hora de audio tarda unos 3,5-6 minutos. Para localizar una frase, búscala en el texto y escucha esa parte de la grabación.
Prueba VOCAP con 15 minutos gratis
Si te basta con el texto y un resumen (sin marcas de tiempo), sube un audio y compruébalo. Sin tarjeta.
Probar VOCAP GratisPrecisión típica y límites
Con audio limpio (un solo hablante, micrófono decente, sin ruido), Whisper y los motores parecidos dan:
- Texto: muy fiable en español de España y de Latinoamérica; los fallos se concentran en nombres propios, cifras y tecnicismos.
- Timestamps por segmento: suficientes para subtítulos y citas, con pequeños desfases en los inicios.
- Timestamps por palabra: más finos, útiles para edición basada en texto si la articulación es buena.
Donde la precisión cae:
- Audio con eco, ruido de fondo o múltiples voces solapadas.
- Acentos muy marcados o dialectos minoritarios.
- Música o efectos sonoros que el modelo intenta interpretar como habla.
- Silencios largos: a veces el modelo "alucina" texto donde no lo hay.
- Cambios bruscos de hablante en la misma palabra.
Errores comunes a evitar
- Pedir tiempos por palabra cuando solo necesitas segmentos. Triplica el tamaño del archivo y rara vez aporta valor para subtítulos clásicos.
- Mezclar separadores decimales. SRT usa coma (
00:00:01,200), VTT usa punto (00:00:01.200). Confundirlos rompe el parser. - No verificar la sincronía. Los timestamps automáticos son buenos, no perfectos. Comprueba en 3-4 puntos del audio antes de publicar subtítulos.
- Subtítulos demasiado largos. Más de 42 caracteres por línea o más de 7 segundos por bloque son malos para lectura. Divide.
- Olvidar el idioma. Especificar el idioma (en lugar de dejarlo en automático) acelera el proceso y mejora ligeramente la precisión, sobre todo en audios cortos.
- Subtitular sin revisar nombres propios. "VOCAP" puede salir como "vocap", "Bocap" o "Vokap". Lo mismo pasa con marcas, ciudades y siglas.
- Confiar al 100% en silencios. Si el modelo no detecta bien silencios, los timestamps de inicio pueden adelantarse 200-500 ms. Mírate los primeros 30 segundos manualmente.
Preguntas frecuentes
¿Qué es un timestamp en una transcripción?
Es la marca que indica el momento exacto del audio (HH:MM:SS) en que se pronuncia una palabra o frase. Permite localizar fragmentos sin escuchar todo, generar subtítulos sincronizados y citar con precisión.
¿Diferencia entre timestamps por palabra y por segmento?
Por segmento marcan inicio y fin de cada frase (5-15 s). Por palabra marcan cada palabra con precisión de milisegundos. Subtítulos clásicos: segmento. Edición basada en texto, karaoke o análisis cuantitativo: palabra.
¿Qué formatos con timestamps existen?
SRT (estándar universal), VTT (web HTML5), JSON (APIs y automatización), TSV/CSV (tabular) y texto plano con marcas [HH:MM:SS] para lectura humana. VOCAP no exporta ninguno con tiempos: solo texto sin marcas, en Word (.doc) o .txt.
¿Qué precisión tienen los timestamps automáticos?
Con audio limpio suelen bastar para subtítulos y para citar, pero no son perfectos: los inicios pueden adelantarse o retrasarse, sobre todo tras silencios largos. Los tiempos por palabra son más finos que los de segmento. La sincronía empeora con ruido, voces solapadas o acentos muy marcados, así que comprueba varios puntos antes de publicar.
¿Puedo añadir timestamps a una transcripción que ya tengo?
Sí, con software como Aegisub o Subtitle Edit, pero lleva 4-6 horas por hora de audio. Es más rápido re-procesar el original con un motor que devuelva timestamps automáticos.
¿Cómo consigo timestamps en VOCAP?
VOCAP no pone marcas de tiempo: entrega la transcripción en texto seguido, sin tiempos ni separación de hablantes, más un resumen con puntos clave, decisiones y tareas, que puedes copiar o descargar en Word o .txt. Si necesitas timestamps o SRT/VTT, usa Whisper en tu ordenador (por ejemplo con Subtitle Edit o whisper.cpp), los subtítulos automáticos de YouTube Studio para tus propios vídeos o un servicio que los exporte, como Descript, Happy Scribe, Sonix u Otter.