¿Puede la IA extraer recetas de vídeos de cocina de verdad?

Es la pregunta que más nos hacen: ¿puede la IA extraer recetas de vídeos? Y no de un blog de cocina bien maquetado, sino de un TikTok de 45 segundos en el que alguien habla a toda pastilla, va tirando cosas a la sartén y la única “receta” es lo que consigas pillar antes de que el vídeo vuelva a empezar. La respuesta corta es que sí. La IA multimodal de hoy puede ver un vídeo de cocina, escuchar la narración, leer los rótulos y devolver una receta estructurada con ingredientes, cantidades y pasos numerados. Pero lo interesante no es el qué, sino el cómo: explica a la vez por qué funciona y dónde sigue quedándose corta.

Este artículo es el complemento técnico de nuestra guía para guardar recetas de redes sociales, que cuenta el porqué y el método.

Las cinco vías de extracción de un vídeo

Un vídeo de cocina son al menos cinco fuentes de información superpuestas, y un sistema de extracción que se precie tiene que exprimirlas todas.

1. Análisis de fotogramas

La IA no mira todos los fotogramas del vídeo. Lo que hace es coger fotogramas clave a intervalos y en los puntos donde el contenido visual cambia de golpe, como un corte de un plano de preparación a un plano de fogones.

En esos fotogramas busca ingredientes dispuestos sobre la encimera o la tabla, medidas visibles en vasos medidores o básculas, rótulos que el creador añade para enseñar cantidades o numerar pasos, etiquetas de los envases y el estado del alimento en cada fase: crudo, dorándose, chup-chup, emplatado.

El análisis de fotogramas es especialmente valioso para esa categoría en auge de vídeos de cocina sin voz, tipo ASMR, que de otro modo serían un muro opaco para la extracción.

2. Transcripción del audio

El paso de voz a texto es la columna vertebral de la extracción en la inmensa mayoría de los vídeos de cocina. Casi todos los creadores narran mientras cocinan, y en esa narración está el meollo de la receta: “marca el pollo a fuego medio-alto unos cuatro minutos por cada lado”.

Los modelos de reconocimiento de voz actuales se manejan bien con el desorden de una cocina real. El aceite chisporroteando, el grifo abierto, el cazo que golpea: todo eso se filtra. Y los acentos y las formas de hablar que antes tumbaban a estos sistemas se resuelven sin drama. La IA interpreta además el lenguaje de la cocina: entiende que “le echas una nuez de mantequilla” significa que la mantequilla es un ingrediente y que “lo dejas unos veinte minutos” es una indicación de tiempo.

Muchas recetas de TikTok son solo audio: la creadora cuenta la receta sin rótulos y sin nada escrito por ninguna parte. Sin transcripción del audio, esas recetas se quedarían encerradas en el vídeo para siempre.

3. Lectura del texto en pantalla (OCR)

Un buen puñado de creadores, sobre todo en TikTok, Instagram Reels y YouTube Shorts, sobreimprime texto directamente en el vídeo: una lista de ingredientes al principio, una cantidad justo cuando se añade algo o el número del paso que toca.

La IA usa reconocimiento óptico de caracteres para leer ese texto, pero va bastante más allá del OCR puro: entiende la maquetación y el contexto. Un texto grande arriba del encuadre al empezar el vídeo suele ser el título de la receta.

Esta vía pesa mucho porque el vídeo corto que va detrás de una tendencia suele apoyarse en el texto sobreimpreso con un audio de moda sonando debajo, o sea que la receta vive entera en la capa de texto.

4. Subtítulos y pies de vídeo

Los subtítulos son una fuente distinta de la transcripción del audio. Los automáticos de la plataforma son, en el fondo, el reconocimiento de voz de la propia plataforma: imperfectos, pero útiles como contraste. Los que sube el creador los ha repasado alguien y suelen ser más fiables.

Pluck no depende de los subtítulos automáticos de cada plataforma: transcribe el audio por su cuenta y lee la descripción y el texto de quien publica. Pero cuando hay subtítulos sincronizados, sirven para ver por qué ayuda tener varias fuentes. Cada fragmento va con su marca temporal, así que si el subtítulo del minuto 2:34 dice “añade el ajo” y el fotograma del 2:34 enseña un ajo cayendo en la sartén, la IA tiene dos confirmaciones independientes de la misma instrucción.

5. Metadatos y descripción

Las descripciones de YouTube incluyen a menudo listas de ingredientes completas o parciales, enlaces a una entrada de blog con la receta escrita o marcas de tiempo por secciones. Los pies de TikTok pueden enumerar los ingredientes principales o dar el nombre del plato. Los de Instagram llegan a contener recetas enteras en forma de párrafo.

Estos metadatos sirven de fuente y de control a la vez: una cantidad concreta en la descripción puede anclar una referencia vaga del audio.

Cómo lo junta todo la IA

Ninguna vía por separado te da la receta entera, así que la IA cruza las cinco y se queda con la versión más concreta y más fiable de cada dato.

Pongamos que una creadora de TikTok está haciendo una salsa rápida para pasta. En el audio dice “una taza de harina”. El rótulo pone “1 taza de harina”. La descripción dice “harina”. La IA compone “1 taza de harina de todo uso”: coge la medida del audio, la precisión del rótulo y lo confirma contra la descripción.

Ese cruce multimodal es la ventaja de fondo frente a cualquier planteamiento de fuente única. Hoy muchas apps de recetas importan de TikTok e Instagram, pero la mayoría solo lee la descripción; unas pocas, como ReciMe, Honeydew y Deglaze, usan también la transcripción del audio, y Deglaze asegura que además lee el texto en pantalla. El proceso de Pluck usa todas las señales disponibles y las pondera por fiabilidad y por concreción para sacar la extracción más completa posible.

El resultado es una receta plenamente estructurada: título, lista de ingredientes con cantidades y unidades, instrucciones numeradas paso a paso, tiempo de preparación, tiempo de cocción, tiempo total, raciones y etiquetas de cocina. Es el mismo formato limpio que obtendrías de un blog de cocina bien montado, y por eso la respuesta importa más allá de guardarla: como cualquier otra receta, un vídeo guardado puede ir al plan de comidas de la semana, a una lista de la compra que puedes compartir y al modo cocina, donde los temporizadores arrancan desde el paso en el que estás. También hemos escrito una comparación detallada entre la extracción con IA y el recorte web.

¿Y qué tal acierta?

La precisión de la extracción varía mucho según la fuente. Un vídeo de YouTube con narración clara, rótulos y la receta completa en la descripción da una extracción muy precisa, porque las cinco vías aportan datos coherentes que se corroboran entre sí. Un TikTok frenético con música a todo volumen y sin un solo rótulo da una extracción bastante menos segura.

Pluck aborda esto con una puntuación de confianza para cada extracción, según cuántas vías han aportado datos, cuánto coincidían entre ellas y cómo de completa ha quedado la receta. Una receta en la que tres vías coinciden por separado en las cantidades puntúa más alto que otra en la que la IA solo tenía una pista de audio ruidosa.

Cuando la confianza es alta, la receta suele estar lista para guardar tal cual. Cuando baja, Pluck te pone la receta delante para que la revises antes de que entre en tu recetario: puedes contrastar los ingredientes con el vídeo, corregir las cantidades que no cuadren y añadir los pasos que se le hayan escapado.

¿Es perfecta la extracción con IA? No. Pero la alternativa es ver el vídeo entero, pausar cada pocos segundos y teclear la receta tú: 20 o 40 minutos por vídeo, y tampoco está libre de errores. La IA te da un borrador sólido en segundos, y el repaso te lleva un minuto o dos.

Los límites actuales de la extracción de vídeos

Vídeos muy técnicos en los que nadie dice una medida. Hay creadores que cocinan a ojo y no sueltan una cantidad en toda la receta: un puñado de queso, aceite hasta que la sartén queda cubierta, sal y pimienta al gusto. La IA identifica los ingredientes, pero no puede estimar de forma fiable las cantidades solo mirando. A veces “al gusto” es la extracción más honesta posible.

Audio malo o música por encima de la voz. Cuando el audio de moda suena más fuerte que la voz en off, el reconocimiento de voz se degrada. La IA todavía puede tirar de rótulos y de descripción, pero si eso también viene flojo, la receta saldrá incompleta.

Lenguaje impreciso. “Un chorrito de nata”, “un buen chorro de vino”, “caldo hasta cubrir”. Quien cocina interpreta esas instrucciones por intuición, pero no se traducen a medidas estructuradas. La IA las recoge tal cual en lugar de inventarse una precisión que no existe.

Vídeos largos con varias recetas. Un “lo que como en un día” de 20 minutos puede llevar cuatro o cinco recetas distintas. La IA tiene que detectar dónde empieza y acaba cada una, que es bastante más difícil que extraer una sola. Los resultados mejoran, pero los vídeos con varias recetas siguen siendo el caso complicado.

Montaje a ráfagas. Hay vídeos cortos con un corte cada medio segundo y rótulos que duran 300 milisegundos. A esa velocidad, hasta un muestreo inteligente de fotogramas se deja cosas.

El ciclo de mejora

La calidad de la extracción mejora por dos vías.

La primera son los modelos de IA, que mejoran: los de visión, los de reconocimiento de voz y los de lenguaje por igual. Tareas que hace un año daban resultados mediocres hoy salen bien. Pluck trabaja con varios proveedores de IA, entre ellos Claude, GPT y Gemini, y puede dirigir cada extracción al modelo que mejor rinde con ese tipo de contenido.

La segunda es que la puntuación de confianza te dice dónde fijarte. Cuando es baja, revisas y corriges la receta, y esas correcciones se guardan en tu copia. No se usan para entrenar modelos de IA: los proveedores de IA con los que trabaja Pluck no entrenan con tus datos. Las mejoras vienen de modelos mejores y del ajuste del propio proceso.

Tenemos una guía dedicada a cómo se convierten los vídeos de cocina de YouTube.

Esta tecnología es realmente nueva

Hace dos años, la única forma de sacar una receta de un vídeo era teclearla tú. Los modelos capaces de entender a la vez fotogramas, lenguaje hablado y texto en pantalla con calidad de cocina sencillamente no existían.

Hoy compartes o pegas una URL y tienes una receta estructurada, normalmente en segundos. Los vídeos largos se procesan en segundo plano y te llega una notificación cuando la receta está lista, así que no hace falta dejar la app abierta. Pluck se maneja con contenido de YouTube, TikTok, Instagram y Facebook, incluidos los carruseles de fotos de Instagram y TikTok, que lee como una sola receta. Funciona en varios idiomas. Digiere desde un Short de 30 segundos hasta vídeos de cocina de hasta 30 minutos. La página cómo funciona Pluck recorre el proceso entero.

El futuro de guardar recetas no son los marcadores ni las capturas que se esfuman cuando la plataforma cambia de idea. Son datos estructurados extraídos con criterio del formato en el que la receta haya decidido vivir, vídeo incluido.

Para ver qué apps de recetas usan IA y hasta dónde llegan, pásate por nuestra guía de mejores apps de recetas con IA, por el análisis de la mejor app de recetas para TikTok o por el comparador completo de apps de recetas.

---

¿Quieres probar tú la extracción de recetas con IA? Pluck está disponible en iOS y Android. Consíguela en Google Play. También en iOS.