Cómo probamos y calificamos
las apps de notas con IA

Cada página de comparación de este sitio incluye una tabla de referencia que muestra cómo Audionotes y un competidor específico se desempeñan en cuatro o cinco métricas. Este documento explica exactamente cómo se mide cada métrica, qué significan las puntuaciones y de dónde provienen los números. Nuestro objetivo es la transparencia total para que puedas evaluar cuánto peso darle a cada puntuación.

Todas las pruebas fueron realizadas por el equipo de Audionotes en marzo de 2026, salvo que una página de comparación indique lo contrario. Probamos cada app de forma independiente usando la misma grabación de referencia, evaluamos los resultados con rúbricas fijas y registramos las puntuaciones antes de publicar.

Divulgación

Audionotes es uno de los productos evaluados. Hemos hecho nuestro mejor esfuerzo por aplicar las mismas rúbricas y criterios de puntuación a todas las apps, incluida la nuestra. Ningún competidor pagó por su inclusión ni por una puntuación favorable. Las versiones de las apps cambian con frecuencia — las puntuaciones reflejan la versión disponible en el momento de la prueba y pueden no coincidir con el rendimiento actual.

Grabación de prueba

Usamos una única grabación de prueba estandarizada para todas las comparaciones directas. Usar el mismo archivo fuente garantiza que las diferencias en los resultados reflejen las capacidades de la app y no variaciones en la entrada.

Propiedad	Valor
Tipo	Conversación entre dos personas (reunión de negocios simulada)
Duración	30 minutos
Hablantes	2 (un hablante nativo y uno casi nativo de inglés)
Ruido de fondo	Ruido ambiente moderado de cafetería (aprox. 45 dB)
Idioma	Inglés
Dispositivo de grabación	iPhone 15 Pro, micrófono integrado, apoyado en el escritorio
Formato de archivo	M4A, 44,1 kHz, estéreo
Contenido	Discusión de hoja de ruta del producto: objetivos, obstáculos y acciones

Los productos tipo meeting-bot (p. ej. Fireflies, Granola) se probaron por separado usando su flujo nativo de unión por calendario con el mismo contenido en una llamada en vivo. En esos casos, la confiabilidad se evalúa de manera diferente — consulta la página de comparación individual para más detalles.

Puntuación de precisión de transcripción

La puntuación de transcripción refleja con qué fidelidad la app convierte el habla en texto. Un evaluador humano compara la transcripción de la app con la transcripción de referencia (producida por un transcriptor profesional) y puntúa el resultado según los siguientes criterios:

Tasa de error de palabras (WER)— la proporción de palabras sustituidas, insertadas o eliminadas respecto a la transcripción de referencia.
Nombres propios y términos técnicos— si los nombres, términos de producto y vocabulario especializado se manejan correctamente.
Puntuación y límites de oraciones— si la transcripción es utilizable sin una corrección manual extensa.
Atribución de hablantes— si la app separa correctamente a los hablantes cuando la diarización está disponible.
Manejo de muletillas— si "eh", "um" y los inicios en falso se limpian o se dejan tal cual (ambos son aceptables; el evaluador verifica la consistencia).

Escala de puntuación

10 / 10Casi perfecta. Menos del 2% de WER; nombres propios correctos; resultado limpio y legible.

9 / 10Excelente. Muy pocos errores; solo inconsistencias menores de puntuación o capitalización.

8 / 10Buena. Errores ocasionales o nombres propios omitidos; la transcripción es utilizable con edición leve.

7 / 10Aceptable. Errores notorios pero el significado se conserva; se requiere alguna corrección manual.

5–6 / 10Por debajo del promedio. Errores frecuentes, oraciones faltantes o mucho ruido de muletillas.

1–4 / 10Deficiente. La transcripción es difícil de usar sin corrección sustancial.

El evaluador humano no tiene ninguna afiliación con las apps probadas y usa únicamente la transcripción de referencia y la rúbrica de puntuación anterior. Las puntuaciones se redondean al número entero más cercano. Cuando una app no produce transcripción (productos solo de notas de voz), la puntuación de transcripción se marca como Indeterminada.

Puntuación de calidad de resumen

La calidad del resumen es evaluada por un juez LLM (GPT-4o) usando una rúbrica fija. El juez recibe la transcripción de referencia y el resumen de la app uno al lado del otro, y se le pide que puntúe el resumen en cinco dimensiones:

Dimensión	Qué buscamos	Peso
Cobertura	Todos los temas clave, decisiones y acciones de la reunión están presentes.	30%
Precisión	Nada en el resumen contradice ni tergiversa lo que se dijo.	25%
Estructura	El resumen está organizado de manera fácil de explorar y accionar.	20%
Concisión	El resumen omite el relleno y captura solo lo que importa.	15%
Acciones	Los próximos pasos concretos se identifican y se atribuyen a la persona correcta cuando es posible.	10%

Escala de puntuación

10 / 10Excepcional. Las cinco dimensiones son excelentes; el resumen podría reemplazar la transcripción para la mayoría de los usos.

9 / 10Muy sólido. Una pequeña brecha en cobertura o estructura; sin problemas de precisión.

8 / 10Bueno. Algunas acciones omitidas o ligeramente extenso; aún muy utilizable.

7 / 10Aceptable. Brechas en cobertura o estructura; requiere referencias cruzadas con la transcripción.

5–6 / 10Por debajo del promedio. Decisiones clave o acciones están ausentes o son inexactas.

1–4 / 10Deficiente. El resumen es engañoso, mayormente incompleto o alucina contenido.

Indeterminada

Si una app no genera resúmenes, o genera únicamente una versión en prosa reescrita de la transcripción sin estructura extractiva, la puntuación de calidad del resumen se marca como Indeterminada en lugar de cero, ya que el producto está diseñado para un caso de uso diferente.

Usamos el mismo prompt de juez LLM en todas las evaluaciones. El prompt es fijo y no hace referencia al nombre de la app, evitando sesgos de marca. El juez no recibe información sobre qué app produjo cada resultado. Las puntuaciones finales son el resultado de una única pasada de evaluación; repetimos la evaluación si la puntuación inicial cae en un límite de medio punto para confirmar el resultado.

Puntuación de confiabilidad de grabación

La confiabilidad captura con qué consistencia la app graba y procesa audio sin errores. A diferencia de la precisión de transcripción o la calidad del resumen, la confiabilidad es difícil de medir en una sola sesión de prueba. Derivamos la puntuación de confiabilidad a partir de una combinación de pruebas directas y análisis de reseñas de la App Store.

Pruebas directas— grabamos tres sesiones con cada app y anotamos cualquier fallo, error de procesamiento, error de carga o audio perdido.
Patrones de reseñas de la App Store— codificamos las reseñas más recientes disponibles al momento de la prueba (mínimo 50 reseñas por app) para detectar quejas relacionadas con la confiabilidad: fallos, procesamiento atascado, grabaciones perdidas y fallas de sincronización.
Puntuación compuesta— las pruebas directas representan el 60% de la puntuación de confiabilidad; el análisis de reseñas representa el 40%.

Escala de puntuación

10 / 10Cero problemas en las pruebas directas; las quejas de confiabilidad son raras o inexistentes en las reseñas.

9 / 10Sin fallos críticos en las pruebas; quejas aisladas de confiabilidad en reseñas (menos del 5%).

8 / 10Sin grabaciones perdidas en las pruebas; quejas ocasionales en reseñas (5–10%).

7 / 10Un pequeño problema de procesamiento en las pruebas; tasa de quejas moderada (10–20%).

5–6 / 10Uno o más fallos de procesamiento o crashes durante las pruebas; tasa de quejas notable.

1–4 / 10Fallos consistentes en las pruebas; la confiabilidad es una queja principal de los usuarios.

Indeterminada

Para apps con menos de 50 reseñas de la App Store al momento de la prueba, o apps lanzadas recientemente, marcamos la confiabilidad como Indeterminada y nos basamos únicamente en nuestras observaciones de pruebas directas, indicándolo en la página de comparación.

La codificación de reseñas fue realizada por el equipo de Audionotes usando un libro de códigos de confiabilidad fijo. Los revisores codificaron de forma independiente; las discrepancias se resolvieron por consenso. El conjunto de datos de reseñas de cada app se describe en la página de comparación de esa app bajo "Metodología de reseñas".

Limitaciones

Ninguna metodología es perfecta. Las siguientes limitaciones aplican a todas las puntuaciones publicadas en este sitio:

Instantánea en un momento dado. Las puntuaciones reflejan las versiones de las apps disponibles en marzo de 2026. Tanto Audionotes como los competidores se actualizan con frecuencia; el rendimiento puede haber mejorado o empeorado desde las pruebas.
Solo en inglés. La grabación de prueba está en inglés. Las apps que se especializan en transcripción multilingüe pueden tener un rendimiento diferente en contenido no inglés al que sugieren las puntuaciones.
Tipo de grabación único. Usamos una grabación estandarizada (dos hablantes, 30 minutos, ruido moderado). Las apps optimizadas para dictado individual, conferencias o reuniones de grupos grandes pueden estar sub o sobrerepresentadas por estas puntuaciones.
Pruebas prioritarias en iOS. Las pruebas directas se realizaron en iPhone 15 Pro. Las versiones de Android o web del mismo producto pueden tener un rendimiento diferente.
Varianza del juez LLM. GPT-4o se usa como juez de resúmenes. Las evaluaciones con LLM tienen varianza inherente. Ejecutamos cada evaluación con un prompt y temperatura fijos para minimizarla, pero una repetición podría producir una puntuación con ±1 punto de diferencia.
Conflicto de interés de Audionotes. Somos un competidor de todas las apps reseñadas en este sitio. Publicamos nuestra metodología y rúbricas completas para permitir un escrutinio independiente, y damos la bienvenida a correcciones por correo electrónico.

Si crees que la puntuación de alguna app es incorrecta, está desactualizada o se basa en una aplicación incorrecta de la rúbrica, contáctanos en support@audionotes.app.

Preguntas frecuentes

El equipo de Audionotes. Probamos cada app de forma independiente usando la misma grabación de referencia, evaluamos con rúbricas fijas y registramos las puntuaciones antes de publicar. Audionotes es uno de los productos evaluados — aplicamos la misma rúbrica a nosotros mismos y enlazamos a esta página de metodología desde cada página de comparación para que los lectores puedan examinar el proceso.

Un evaluador humano compara la transcripción de cada app con una transcripción de referencia producida por un transcriptor profesional, puntuando WER, manejo de nombres propios, puntuación, atribución de hablantes y tratamiento de muletillas. Las puntuaciones van de 1 a 10. Se usa el mismo evaluador y rúbrica para todas las apps, incluida Audionotes.

La calidad del resumen es evaluada por GPT-4o usando una rúbrica fija de 5 dimensiones (fidelidad, cobertura de puntos clave, extracción de acciones, claridad, concisión). El juez ve la transcripción de referencia y el resumen de la app lado a lado y puntúa de 1 a 10 en cada dimensión; la puntuación final es el promedio.

Las apps se actualizan con frecuencia, por lo que las puntuaciones reflejan la versión disponible al momento de la prueba (marzo de 2026, salvo que se indique lo contrario en una página de comparación). Cuando un competidor lanza una versión importante, volvemos a probar y actualizamos las páginas afectadas en ~2 semanas.

Una reunión de negocios en inglés de 30 minutos con dos hablantes, grabada en iPhone 15 Pro con ruido de fondo moderado de cafetería (~45 dB). Se usa el mismo archivo fuente para cada app probada. Los productos tipo meeting-bot como Fireflies y Granola se prueban por separado mediante su flujo nativo de unión por calendario en una llamada en vivo con el mismo contenido.

Escríbenos a support@audionotes.app indicando la app, la métrica y cuál crees que debería ser la puntuación correcta. Revisaremos y actualizaremos la puntuación con una nota fechada explicando el cambio, o responderemos explicando por qué mantenemos la original.