ElevenLabs Scribe en español: test con nombres difíciles y números

👁 116 lecturas

ElevenLabs Scribe es un modelo de conversión de voz a texto que transcribe grabaciones en más de 90 idiomas, reconoce hablantes y marca sonidos. Hemos probado cómo funciona en español: preparamos una entrevista ficticia de un minuto con nombres complejos, topónimos y trece números, y luego contamos las diferencias en tres configuraciones de Scribe y en Whisper local. Además, test con grabaciones con ruido de cafetería, calle y ventilador.

01Voice Isolator: eliminar ruido de audio con ElevenLabsVoice Isolator de ElevenLabs elimina ruido de grabaciones. Prueba con cafetería, calle y ventilador: mediciones antes y después, muestras y precio.Leer →02ElevenLabs Dubbing al español: test v1 vs v2 con resultadosElevenLabs Dubbing traduce vídeos y genera nueva voz. Probamos v1 y v2 en un clip de 24 s: tiempos, créditos, calidad de voz y una sorpresa en v2.Leer →03Voicebot ElevenLabs Agents: test de recepción dental en españolVoicebot en ElevenLabs Agents: test de recepción dental con conversación real, tiempos de respuesta de 0,77-2,23 s, reconocimiento de voz y coste por minuto.Leer →04Voice Changer ElevenLabs: cambiar voz con IA en grabacionesVoice Changer de ElevenLabs cambia la voz en una grabación manteniendo el ritmo y la entonación. Prueba en español con ruido de fondo y mediciones.Leer →05Clonar voz con IA en ElevenLabs: clones desde 10 s y 2 minCloné con ElevenLabs una voz sintética en español a partir de muestras de 10 s, 30 s y 2 minutos: similitud de 0,994 con 10 s y ningún error de contenido. Planes, precios y normas de consentimiento.Leer →

Qué puede hacer Scribe

• Modelos: Scribe v2 para archivos, Scribe v2 Realtime para voz en directo (latencia aprox. 150 ms según la documentación) y Scribe v2 Medical para grabaciones clínicas. El antiguo Scribe v1 está marcado como obsoleto.
• Español: la documentación lo sitúa en el grupo «Excellent», es decir, con tasa de error de palabras (WER) hasta el 5%.
• Funciones: reconocimiento de hablantes (hasta 32), marcas de tiempo para palabras, descripción de sonidos entre paréntesis, sugerencias de palabras hasta 1000 términos, detección y enmascaramiento de datos personales, exportación a subtítulos, edición de transcripción mediante instrucción en lenguaje natural.
• Límites: archivo hasta 5 GB y 10 horas. En lugar de archivo puedes dar un enlace, también a vídeo de YouTube o TikTok.

Nuestro test: entrevista con trampas

Preparamos la grabación nosotros mismos, sin personas reales. Dos voces de ElevenLabs (voz femenina Matilda y masculina Brian) leyeron con el modelo Eleven v4 una entrevista ficticia sobre la inauguración del Museo del Escarabajo en Ochagavía: 64 segundos, 140 palabras, 13 números (importes, porcentajes, hora, número de carretera) y nombres que suelen descarrilar la transcripción: Echegoyen, Ibargüengoitia-Zugarramurdi, Ramón y Cajal, Anduña, Gaztambide.

El 29 de septiembre de 2026 la pasamos por Scribe v2 con idioma español y reconocimiento de hablantes en tres variantes, y para comparar por Whisper large-v3 (faster-whisper, float16 en GPU y int8 en CPU).

Las diferencias automáticas incluyen variantes ortográficas de nombres propios raros. Por ejemplo, Scribe escribió «Ibargüengoitia Zugarramurdi» (sin guion), mientras que Whisper oyó «Ibargüengoy Tiazú Garramurdi». Whisper también escribió «Gastambide» en lugar de «Gaztambide». Ambos modelos omitieron palabras como «millones» o «por ciento» en algunos números, lo que el contador automático marca como diferencia pero un humano podría aceptar.

Números: en palabras o en dígitos

Por defecto, Scribe escribe números en dígitos en español: «3 480 000 €», «62 %», «18,50 €». Solo escribió «nueve idiomas» y «veintidós kilómetros» en palabras. Para garantizar que todos los números se escriban en dígitos, añadimos el parámetro transcript_edit con la instrucción:

Escribe todas las cifras, importes, fechas, horas y números con dígitos,
por ejemplo 18,50 €, 9:30, 1250. No cambies nada más.

Obtuvimos todos los números en dígitos, aunque con algunos formatos extraños como «18,50,00 €» o «7,00». El texto corregido llega en un campo separado edited_transcript, junto al original. Costó 43 créditos en lugar de 33.

Keyterms pueden ayudar

Las sugerencias de palabras ayudan con nombres propios. Dimos a Scribe siete términos: «Echegoyen», «Radio Cinética», «Ochagavía», «Ibargüengoitia-Zugarramurdi», «Anduña», «Gaztambide», «Ramón y Cajal». Resultado: cambió «veintidós» a «22» y mantuvo el guion en «Ibargüengoitia-Zugarramurdi». Las diferencias automáticas se mantuvieron en 4. Los keyterms son de pago aparte: 0,05 USD por hora.

Ruido de fondo

En la prueba de Voice Isolator preparamos un monólogo sintético de 25 segundos (84 palabras) y le añadimos ruido de ventilador, calle y cafetería, cada uno tan fuerte como el habla. Scribe transcribió las tres versiones con 1 diferencia. Solo cuando el ruido de cafetería era 5 dB más fuerte que el habla, confundió 2 de 84 palabras (2,4%). Curiosamente, las grabaciones limpiadas previamente con Voice Isolator dieron más diferencias que las crudas, así que antes de transcribir no limpies el audio.

Scribe o Whisper

Nuestra opinión: si la grabación puede ir a la nube, Scribe gana en precisión de nombres, reconocimiento de hablantes y velocidad. Whisper tiene sentido cuando el material no puede salir del ordenador o transcribes cientos de horas y cuenta el coste cero. La comparación de modelos locales está en el texto Whisper AI, y la revisión de otras herramientas en la guía sobre transcripción.

Cómo transcribir una grabación en Scribe

En la aplicación: Speech to Text, sube archivo o pega enlace, elige idioma español (la detección automática también funciona, pero la elección manual es un riesgo menos) y activa reconocimiento de hablantes. La transcripción terminada la descargas entre otros formatos como subtítulos. Por API (probado 29.09.2026):

curl -X POST https://api.elevenlabs.io/v1/speech-to-text 
  -H "xi-api-key: $ELEVENLABS_API_KEY" 
  -F model_id=scribe_v2 -F language_code=es -F diarize=true 
  -F "transcript_edit=Escribe todas las cifras, importes, fechas y horas con dígitos." 
  -F file=@grabacion.wav

Cuánto cuesta Scribe

Las cabeceras de respuesta de la API nos mostraban el coste directamente: la entrevista de un minuto fueron 33 créditos y 0,00396 USD, con edición de números 43 créditos y 0,00516 USD. La transcripción está disponible también en el plan gratuito. Los planes los describimos en el texto cuánto cuesta ElevenLabs, y las demás funciones en la guía ElevenLabs.

Preguntas frecuentes

¿ElevenLabs Scribe reconoce bien el español?

En nuestra prueba sí: 140 palabras de entrevista con nombres difíciles y 13 números con 4 diferencias automáticas de contenido. La documentación clasifica el español en idiomas con tasa de error hasta el 5%.

¿Cuánto cuesta la transcripción en ElevenLabs?

Por API 0,22 USD por hora de grabación en Scribe v2, sin IVA. La grabación de un minuto nos costó 33 créditos.

¿Cómo hacer que Scribe escriba números en dígitos?

Añade el parámetro transcript_edit con la instrucción «Escribe todas las cifras, importes, fechas y horas con dígitos». La versión corregida llega en el campo edited_transcript, por un pequeño suplemento.

¿Scribe reconoce quién habla?

Sí, al activar diarize separa hasta 32 hablantes. En nuestra entrevista atribuyó los 6 turnos a las personas correctas.

¿Scribe es mejor que Whisper?

En nuestra grabación sí: Scribe tuvo 4 diferencias automáticas, Whisper large-v3 cinco, y además fue 13 veces más lento en CPU. Whisper funciona en cambio localmente y sin coste.

// sigue leyendo¿Claude Opus 5.5 inventa números? Prueba con trampa ejecutivaRevistaVoicebot ElevenLabs Agents: test de recepción dental en españolRevistaElevenLabs Dubbing al español: test v1 vs v2 con resultadosRevista

Kinetyra

El enlace a ElevenLabs es un enlace de afiliado: si compras a través de él, FULGOR recibe una comisión y tú pagas el mismo precio. No influye en el contenido, tampoco en las partes críticas.