
Lo que RAJAR midió este otoño
RAJAR publicó el 4 de noviembre su MIDAS Audio Survey del otoño de 2026, junto con el Podcast Tracker mensual. Las cifras generales ponen el pódcast en perspectiva. En una semana media, el 96% de los adultos del Reino Unido escucha alguna forma de audio, lo que suma más de 1.600 millones de horas. Los pódcast llegan al 26% de la población y aportan 105 millones de horas, con 6,9 horas por oyente a la semana. La radio en directo sigue siendo mucho mayor, con casi nueve de cada diez adultos y 1.000 millones de horas. MIDAS es una encuesta de recontacto: RAJAR vuelve a su panel de audio y pregunta con más detalle qué se escucha, en qué dispositivo y dónde. Esa continuidad es lo que permite medir la cuestión del formato a lo largo de un año.
La cifra que importa para la producción está entre los dos formatos. Según RAJAR, el 34% de los consumidores de pódcast alternan entre audio y vídeo dentro de la misma semana. El informe lo lee como una decisión situacional y no como una preferencia fija: la misma persona ve un episodio en el portátil por la noche y escucha el siguiente mientras pasea. Un programa que solo existe en una de esas formas encuentra a cada oyente en la mitad de su semana.
El vídeo es una capa, no un segundo medio
La encuesta también midió cuánta atención recibe realmente la imagen. El 35% dice que primero escucha y mira la pantalla cuando algo le llama la atención. Otro 43% reparte la atención de forma bastante pareja entre escuchar y ver. La conclusión de RAJAR es directa: buena parte del pódcast en vídeo se entiende mejor como audio con una capa visual que como televisión con otro nombre.
- El 49% dice que lo que aporta el vídeo son las reacciones y el lenguaje corporal de quienes presentan.
- El 62% seguiría consumiendo el mismo contenido si solo existiera en audio.
- Al vídeo se le atribuye sobre todo alcance: ayuda a que un programa se descubra y se comparta, no a que la gente se quede.
- El descubrimiento es la parte que se acumula: un clip que viaja trae oyentes nuevos al feed de audio, y ahí es donde se gastan las horas semanales.
Dónde el vídeo decide el resultado
La excepción es el grupo más joven. RAJAR describe el vídeo como casi el entorno por defecto para las personas de 16 a 24 años, porque el descubrimiento ocurre en YouTube, TikTok y los feeds sociales. Para ese público, un programa sin ninguna presencia visual no tiene puerta de entrada, por bueno que sea el audio.
Los dos hallazgos no se contradicen. Un público necesita la imagen para encontrar el programa, el otro necesita el sonido para quedarse, y una sola sesión puede servir a ambos. Lo que cambia es el orden: imagen para el descubrimiento, audio para los veinte minutos que alguien pasa de verdad con el episodio. Para un equipo de producción esto es primero una cuestión de agenda y después estética. Si la imagen sirve sobre todo al descubrimiento, el tiempo extra de montaje se recupera en el clip, no en el episodio completo.
Lo que debe entregar una sesión
| Resultado | Por qué importa | Qué revisar |
|---|---|---|
| Máster de audio por persona | El 62% escucharía sin vídeo, así que el sonido tiene que sostenerse solo | Una pista local propia, no la mezcla de la llamada |
| Archivo de vídeo | El 34% cambia de formato en una semana, la imagen tiene que ser utilizable | Encuadre y luz resueltos antes de la primera toma |
| Transcripción | La búsqueda, las notas del episodio y los subtítulos empiezan aquí | Generada desde el máster de audio, no desde una mezcla provisional |
| Registro de consentimiento | El invitado debe saber qué se graba y adónde va | Acordado antes de empezar a grabar |
El audio tiene que sostenerse solo
Como el 62% se quedaría con el audio, el sonido no puede ser un subproducto del vídeo. Una frase que solo funciona con un gesto, con un objeto levantado hacia la cámara o con un gráfico en pantalla es una frase que parte del público no va a seguir. La prueba cuesta una escucha: poner el episodio terminado con la pantalla apagada. Si el argumento sigue en pie, la mezcla hace su trabajo. La misma regla cubre nombres y cifras: si un rótulo escribe el nombre de un invitado, dilo también en voz alta, y lee cada número que aparezca en pantalla.
Di lo que muestra la imagen. Si alguien levanta un objeto, nómbralo. Si aparece una gráfica, lee la cifra que importa. Quien ve recibe la versión más rica, quien solo escucha recibe una completa.
Lista de trabajo para una semana mixta
Decidir qué formato manda
Un episodio de base audio admite un encuadre simple y una cámara. Uno de base vídeo necesita el plano antes de escribir el guion.
Grabar en local, por persona
Una mezcla en la nube no se arregla después. Los archivos locales se pueden resincronizar, nivelar y volver a cortar.
Grabar pensando en los recortes
Un 16:9 con algo de aire arriba deja margen para un clip vertical sin una segunda toma.
Una pista de audio limpia por voz
Las voces superpuestas son normales en una conversación real. Separarlas es lo que permite editarlas.
Anotar los momentos de clip en caliente
Dos o tres marcas de tiempo cuestan un minuto y ahorran una hora de búsqueda después.
Dejar sitio al montaje de audio
Pide a los invitados que repitan la pregunta dentro de la respuesta, para que una respuesta funcione sin la voz de quien conduce.
Dónde encaja Airtape
Airtape está pensado para la sesión que debe servir a los dos formatos. Cada participante graba en local en el navegador, así que el audio no viaja por la llamada y el vídeo conserva la resolución que dio la cámara. Una toma produce dos resultados utilizables en lugar de un compromiso comprimido.
- Un enlace para el invitado, sin instalar nada, en el equipo que ya tiene.
- Pistas de audio y vídeo separadas por persona, listas para editar o recortar.
- Los archivos se descargan en tu propio almacenamiento, el máster sigue bajo tu control.
Una prueba de dos minutos dice si el montaje aguanta. Abre una sala, invita a una persona, graba y escucha el audio con la pantalla apagada. Si se sostiene solo, el vídeo es un extra y no una muleta. Si no se sostiene, los arreglos suelen ser pequeños: comprobar que cada pista local toma el micrófono y no la sala, y pedir a quien habla que termine la frase en lugar de dejarla caer.