Cómo la IA extrae recetas de vídeos de cocina

Pegas un enlace de TikTok, pulsas un botón y 20 segundos después tienes una lista de ingredientes limpia con los pasos numerados. Parece sencillo. Por debajo hay un proceso con varias etapas diferenciadas, cada una resolviendo una parte distinta del problema.

Entender cómo funciona te ayuda a usarlo mejor: sabrás cuándo esperar una extracción limpia, cuándo el resultado necesitará algún ajuste y por qué algunos vídeos se extraen bien mientras que otros devuelven poca información.

Por qué extraer recetas de vídeos es más difícil de lo que parece

Extraer una receta de un vídeo de cocina no es lo mismo que copiar texto de una web de recetas. Una web de recetas tiene datos estructurados: la lista de ingredientes está en un contenedor, los pasos están en un contenedor, el título está en una etiqueta de encabezado. Un extractor puede leer eso en milisegundos con alta precisión.

Un vídeo de cocina no tiene nada de esa estructura. La información de la receta está dispersa por tres canales distintos al mismo tiempo:

• Las palabras que dice en voz alta el creador ("añade media cucharadita de sal")
• Los textos que aparecen superpuestos en el vídeo ("1/2 cdta. sal" visible durante 0,4 segundos)
• La descripción o texto del pie ("receta completa en bio 🙏")

Cada canal es poco fiable por sí solo. El audio puede ser difuso o estar tapado por la música. Los textos superpuestos pueden ser muy estilizados o pasar muy rápido. La descripción puede estar vacía. Un buen extractor lee los tres y los combina para obtener una receta coherente.

Capa 1: la descripción del vídeo

Lo primero que lee un extractor es lo más sencillo: el texto. La descripción en Instagram o TikTok, la descripción en YouTube, el texto de la publicación en Facebook.

En plataformas donde los creadores escriben la receta en texto —YouTube en particular, donde las recetas en formato descripción son habituales— esta capa suele ser suficiente por sí sola. El extractor analiza el texto, identifica la estructura de la lista de ingredientes (normalmente un patrón como "cantidad + unidad + nombre del ingrediente"), identifica los pasos y ensambla el resultado.

Cuando la descripción es completa, la extracción es rápida y muy precisa porque se trata de análisis de texto estructurado, no de interpretación.

Cuando la descripción es escueta (solo hashtags, una frase suelta o está vacía), el extractor pasa a las siguientes capas.

Capa 2: reconocimiento de texto en pantalla (OCR)

Muchos creadores de contenido de cocina añaden textos superpuestos a sus vídeos: cantidades de ingredientes, notas de técnica, temperaturas, tiempos. "1 taza de harina." "180 °C." "Sazona generosamente." Estos textos aparecen una fracción de segundo y son fáciles de perder al ver el vídeo, pero un modelo de IA procesa cada fotograma.

Esto lo gestiona el reconocimiento óptico de caracteres (OCR) combinado con un modelo de visión que entiende el contexto de lo que está leyendo. El modelo no se limita a extraer letras: comprende que "2 cdas. de aceite de oliva" es un ingrediente, no una cadena de texto aleatoria.

Varios factores afectan la precisión del OCR:

Fuente y contraste: el texto blanco sobre fondo oscuro se lee con fiabilidad. Las fuentes cursivas, los colores neón sobre fondos recargados o el texto con sombras pronunciadas se leen con menos precisión.

Velocidad de animación: el texto que permanece en pantalla entre 1 y 2 segundos se extrae limpiamente. El texto que aparece durante 0,2 segundos puede perderse o leerse de forma parcial.

Tendencias de estilo de los textos superpuestos: hay una estética de TikTok en la que los ingredientes se muestran con fuentes de escritura decorativa sobre el vídeo de la comida. Quedan genial, pero se extraen de forma inconsistente. Cuanto más estilizada es la fuente, menor es la precisión del OCR.

Capa 3: transcripción del audio

La tercera fuente es la pista de audio —concretamente la narración en voz del creador—. "Corta media cebolla en dados y sofríela en aceite de oliva unos cinco minutos" es información útil para la receta, y a menudo es la fuente más completa: un creador hablando con naturalidad tiene más probabilidades de mencionar todas las cantidades que de escribirlas todas en textos superpuestos.

Un modelo de voz a texto transcribe el audio y luego un modelo de lenguaje analiza la transcripción para identificar el contenido relevante para la receta: menciones de ingredientes, cantidades, descripciones de técnicas, indicaciones de tiempo.

La calidad de la extracción de audio se ve afectada por:

Relación señal-ruido: cuando la música de fondo es más suave que la voz, la transcripción es fiable. Cuando la música de fondo domina (una estética habitual en TikTok), la señal de voz es más difícil de aislar y la precisión de la transcripción cae.

Estilo de narración: algunos creadores narran de forma explícita ("añade dos cucharadas de mantequilla"). Otros narran de forma más suelta ("echa un poco de mantequilla, tampoco mucha"). El primero se extrae bien; el segundo se extrae como una aproximación.

Ritmo y claridad: los narradores que hablan muy rápido, con acentos regionales marcados o patrones de habla coloquiales se transcriben con menos precisión que una narración clara y pausada.

Combinar las tres capas en una receta

Una vez que el extractor tiene la información de la descripción, el OCR y el audio, necesita combinarlos en una única receta coherente. Aquí es donde un modelo de lenguaje hace el trabajo de síntesis.

El modelo examina la información potencialmente solapada o contradictoria entre las fuentes y la resuelve:

• Si la descripción dice "2 tazas de harina" y el audio dice "unas dos tazas," el valor canónico es "2 tazas."
• Si la descripción está vacía, el audio dice "un puñado de tomates cherry" y el texto en pantalla dice "12 tomates cherry," el modelo usa el valor más específico.
• Si un ingrediente aparece en el texto superpuesto pero nunca se menciona en la descripción ni en el audio, se incluye solo con base en el OCR.
• Si dos fuentes se contradicen (la descripción dice "1 cda. de aceite de oliva," el audio dice "3 cucharadas"), el modelo elige según el contexto —normalmente la fuente más específica o la que aparece de forma más consistente—.

El resultado es una receta estructurada: título, lista de ingredientes con cantidades y unidades, pasos ordenados y un enlace de vuelta a la fuente original.

Por qué algunas extracciones son mejores que otras

Ahora que el proceso queda claro, los puntos de fallo tienen más sentido:

Descripción escasa + audio deficiente + textos superpuestos estilizados: las tres capas están degradadas al mismo tiempo. El extractor tiene pocos datos fiables con los que trabajar y devuelve un resultado escueto o incompleto. Es el peor caso: TikToks muy estilizados con música alta y sin descripción.

Extracciones basadas solo en la descripción: cuando la descripción es completa y está bien estructurada, el extractor puede ignorar el vídeo y el audio por completo. Son las más rápidas y precisas. Habituales en YouTube y en publicaciones de Instagram donde los creadores escriben la receta completa.

Extracciones dependientes del OCR: cuando la descripción es escasa pero el texto en pantalla es claro y está bien cadenciado, el OCR hace el trabajo duro. La precisión depende de la elección de fuente y la velocidad de animación.

Extracciones dependientes del audio: cuando la descripción y los textos superpuestos son escasos pero el creador narra con claridad, la transcripción de voz aporta la mayor parte de la receta. La precisión depende de la claridad de la voz y el ruido de fondo.

Entender esto te ayuda a predecir el resultado: un TikTok muy producido y recargado es una extracción más difícil que un tutorial claro de YouTube con narración explícita y descripción completa.

Lo que la extracción no hace

Algunos aspectos que conviene aclarar:

No inventa información que falta. Un extractor de recetas responsable no adivina cantidades ni pasos que no aparecen en ninguna de las tres fuentes. Si la receta está genuinamente incompleta en el vídeo original, la extracción también lo estará —no inventará valores plausibles—.

No altera la receta. El extractor estructura lo que hay en el material original. No mejora, adapta ni editorializa. Si el creador dijo "sazona al gusto," el paso dice "sazona al gusto." Si dijo una cantidad concreta, esa cantidad se conserva.

No accede a contenido privado. Si un reel es de una cuenta privada, o una publicación de un grupo al que no perteneces, el extractor no puede acceder a él —y no pedirá tus credenciales de inicio de sesión para intentarlo—.

Cuando la IA se equivoca: el flujo de edición

Ningún proceso es perfecto. La precisión de extracción en fuentes claras y estructuradas (YouTube con descripción completa, Instagram con receta en el pie) es muy alta. En fuentes desordenadas (TikToks estilizados con música alta), es menor.

Cuando una extracción tiene errores:

1. Abre la receta en ChefExtract. Todos los campos —título, cada ingrediente, cada paso— son editables.
2. Corrige los errores. Añade una medida que falta, corrige una cantidad, completa un paso que quedó a medias.
3. Guarda. La receta corregida queda guardada de forma permanente y precisa.

Editar una extracción parcialmente correcta es casi siempre más rápido que transcribir desde cero. El objetivo de la extracción no es reemplazar el criterio humano, sino hacer el 80-90% del trabajo para que estés corrigiendo en vez de escribiendo.

El estado de la tecnología en 2026

La IA multimodal —modelos que leen texto, imagen y audio simultáneamente— ha mejorado de forma significativa. Un extractor de recetas construido hoy tiene acceso a una precisión de voz a texto que hace unos años habría requerido infraestructura de nivel empresarial, y a modelos de visión capaces de leer textos en pantalla con alta precisión en la mayoría de las condiciones.

Los casos difíciles siguen ahí: textos superpuestos muy rápidos, música de fondo muy alta, sin descripción y estilo visual de alta producción. Estos no son problemas resueltos. Los extractores honestos te indican cuándo un resultado es incierto; los deshonestos rellenan los huecos con contenido inventado que suena plausible.

Si quieres ver cómo funciona la extracción en distintos tipos de fuentes, explora recetas de ejemplo extraídas de contenido real de cocina. O pruébalo con un vídeo que llevas tiempo queriendo cocinar:

Para el flujo de trabajo práctico en cada plataforma —Instagram, TikTok, YouTube, Facebook y Pinterest— consulta la guía completa para guardar recetas de redes sociales.