¿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: entender la mecánica 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. Aquel cuenta el porqué y el método; este se mete en las tripas del proceso de extracción.

Las cinco vías de extracción de un vídeo

Un vídeo de cocina no es una única fuente de información. Son al menos cinco fuentes 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. Sería un derroche de cómputo y no daría mejores resultados. Lo que hace es un muestreo inteligente: coge fotogramas clave a intervalos y en los puntos donde el contenido visual cambia de golpe. Un corte de un plano de preparación a un plano de fogones dispara una muestra. Un rótulo que aparece en pantalla dispara una muestra. Una mano que coloca ingredientes en la encimera dispara una muestra.

¿Y qué busca en esos fotogramas? 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. El estado del alimento en cada fase: crudo, dorándose, chup-chup, emplatado. Cada una de esas señales visuales aporta datos que después se ensamblan en la receta final.

El análisis de fotogramas es especialmente valioso para esa categoría en auge de vídeos de cocina sin voz: esos clips hipnóticos, tipo ASMR, en los que alguien cocina en silencio y deja que hablen las imágenes. Sin analizar los fotogramas, esos vídeos serían un muro opaco.

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: “dos tazas de harina de todo uso”, “marca el pollo a fuego medio-alto unos cuatro minutos por cada lado”, “salpimienta y añade una cucharadita de pimentón ahumado”.

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. Además la IA no se limita a transcribir palabras: interpreta 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 sobre imágenes del proceso, 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. Esos rótulos pueden ser una lista de ingredientes al principio, una cantidad que aparece 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. Un texto que aparece un segundo mientras alguien vierte líquido en un bol suele ser una medida. Un texto que se mantiene en pantalla a través de varios cortes suele ser la lista de ingredientes.

Esta vía pesa mucho porque para muchos creadores el rótulo es el canal principal. 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 frente a la transcripción de la IA. Los que sube el creador valen todavía más, porque los ha repasado alguien y suelen ser fiables.

Los subtítulos también aportan tiempos. Cada fragmento va con su marca temporal, así que la IA puede casar una instrucción hablada con un momento concreto del vídeo. 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

El texto que rodea al vídeo suele llevar información de receta. 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. Si la descripción dice “3 dientes de ajo” y el audio decía “unos dientes de ajo”, la IA tiene una cantidad concreta con la que anclar esa referencia vaga.

Cómo lo junta todo la IA

Ninguna vía por separado te da la receta entera. El audio puede recoger “añade harina” sin decir cuánta. El rótulo de ese mismo instante quizá ponga “1 taza de harina”. La descripción quizá diga “1 taza de harina de todo uso (125 g)”. La IA cruza las cinco vías y se queda con la versión más concreta y más fiable de cada dato.

Un ejemplo real. 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. Una herramienta que solo transcriba te dará “una taza de harina”. Una que solo haga OCR se perderá el rótulo si la letra es pequeña o queda tapada. 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 exactamente el mismo formato que obtendrías de un blog de cocina bien montado: la IA normaliza el vídeo hasta dejarlo igual de limpio. Si te pica la curiosidad sobre cómo se compara esto con el recorte web de siempre, hemos escrito una comparación detallada entre la extracción con IA y el recorte web.

¿Y qué tal acierta?

La precisión es la pregunta que de verdad importa, y merece una respuesta honesta.

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 un sistema de puntuación de confianza. Cada extracción recibe una puntuación 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, el repaso gana peso: Pluck te pone la receta delante para que la revises antes de que entre en tu recetario. Puedes contrastar los ingredientes con lo que viste en 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 compárala con la alternativa: ver el vídeo entero, pausar cada pocos segundos y teclear la receta tú. Eso son 20 o 40 minutos por vídeo, y tampoco está libre de errores: también entiendes mal las cosas, también olvidas cantidades y también te saltas pasos. La IA te da un borrador sólido en segundos. El repaso te lleva un minuto o dos. El total es una fracción de lo que cuesta transcribir a mano.

Los límites actuales de la extracción de vídeos

Ser transparente con las limitaciones genera confianza, así que aquí va lo que de verdad se le atraganta a esta tecnología.

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. Cogen un puñado de queso, echan aceite hasta que la sartén queda cubierta, salpimientan 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”. Son instrucciones reales que quien cocina interpreta por intuición, pero que 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 45 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. Cuanto más frenético es el montaje, menos fiable es la extracción.

El ciclo de mejora

La calidad de la extracción no es una foto fija: mejora sin parar por dos vías.

La primera son los modelos de IA. Los de visión que analizan los fotogramas, los de reconocimiento de voz que transcriben el audio y los de lenguaje que lo sintetizan todo en una receta estructurada avanzan a un ritmo tremendo. 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. Si uno se atasca con un acento o con un estilo de vídeo concreto, otro puede resolverlo sin problema.

La segunda es el propio sistema de confianza, que crea un bucle de realimentación. Cuando la confianza es baja, quien usa la app revisa y corrige la receta. Esas correcciones informan cómo se trata contenido parecido más adelante. Con el tiempo, el tipo de vídeo que produce extracciones dudosas se va reduciendo.

Y esto no es una mejora teórica, se mide. Hoy la extracción de vídeos se maneja con contenido que hace dos años quedaba completamente fuera de alcance. La combinación de comprensión visual, reconocimiento de voz y comprensión del lenguaje ha cruzado la frontera entre “demo de investigación interesante” y “herramienta con la que se puede cocinar”. Si quieres verlo aplicado a los vídeos de cocina de YouTube, tenemos una guía dedicada.

Esta tecnología es realmente nueva

Merece la pena parar un segundo a mirar lo que está pasando aquí. Hace dos años, sacar una receta de un vídeo exigía que una persona lo viera entero, pausara mil veces y escribiera lo que había visto y oído. No había alternativa automática. Los modelos capaces de entender a la vez fotogramas, lenguaje hablado y texto en pantalla con calidad de cocina sencillamente no existían.

Hoy pegas una URL y en segundos tienes una receta estructurada. El proceso mira el vídeo, escucha la narración, lee los rótulos, analiza los metadatos, lo cruza todo, asigna una puntuación de confianza y te pone delante una receta limpia para revisar. Se maneja con contenido de YouTube, TikTok, Instagram y Facebook. Funciona en varios idiomas. Digiere desde un Short de 30 segundos hasta una clase de cocina de una hora.

Estamos ampliando la página cómo funciona Pluck con diagramas que recorren el proceso entero. Mientras tanto, la mejor forma de entender la tecnología es probarla: pega la URL de un vídeo de cocina y mira qué sale.

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. La IA está lista. Las recetas, esperando.

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.