La conversión de audio a texto mediante redes neuronales convolucionales (CNN) representa un avance significativo en la accesibilidad comunicativa, permitiendo la traducción de sonido a información escrita en tiempo real. Este estudio tiene como objetivo examinar críticamente las aplicaciones de las CNN en la conversión de audio a texto, comparando métodos de procesamiento, estándares de evaluación y limitaciones. La metodología empleada incluye una revisión sistemática de la literatura basada en las directrices PRISMA, utilizando bases de datos científicas como Scopus y ScienceDirect. Se analizaron 35 artículos relevantes, destacando que las arquitecturas GoogLeNet, ResNet y AlexNet son las más utilizadas, con precisiones de hasta el 89.61%. Las técnicas de preprocesamiento más eficaces incluyen los coeficientes cepstrales en frecuencia mel (MFCC) y los espectrogramas. L...