¿Qué es el reconoci­miento de voz (speech-to-text)?

Reconoci­miento de voz: definición

El reconocimiento de voz traduce audio a texto, en directo mientras se habla o después, a partir de una grabación. Es la base de las funciones de dictado, las actas automáticas, los subtítulos y los asistentes de voz. Debe distinguirse de la síntesis de voz, que hace el camino inverso y emite el texto como voz.

Los sistemas anteriores tenían que entrenarse para cada hablante. Los modelos actuales aprenden de enormes cantidades de datos de voz y se desenvuelven con distintas voces, idiomas y dispositivos. Es conocido, por ejemplo, el modelo de código abierto Whisper; además hay servicios de los grandes proveedores de nube.

Cómo funciona el speech-to-text

La señal de audio se divide en tramos cortos y se convierte en una imagen sonora. Una red neuronal asigna a esa imagen sonidos, palabras y, por último, frases, y utiliza el conocimiento de la lengua para elegir la palabra adecuada entre las de sonido parecido. Muchos sistemas añaden además signos de puntuación y mayúsculas y minúsculas.

La calidad depende de la grabación y del entorno: el micrófono, el ruido de fondo, el dialecto y el vocabulario técnico influyen. Las buenas soluciones permiten un diccionario propio para nombres de productos y de empresas y, si se desea, separan a los hablantes, algo importante para las actas de reuniones. Grabar en un entorno tranquilo y con un buen micrófono mejora el resultado a menudo más que cualquier ajuste del software.

Ejemplo práctico: parte de obra mediante mensaje de voz

Una empresa de oficios hace que sus montadores dicten el parte diario en el smartphone, en la propia obra. El reconocimiento de voz convierte la grabación en texto y un modelo de lenguaje lo organiza en pasos de trabajo, materiales utilizados e incidencias. El resultado aparece como borrador en el sistema de órdenes de trabajo. Además, las fotos de la obra pueden asignarse directamente al parte.

El montador revisa brevemente el borrador y lo aprueba. Desaparece el papeleo de la tarde, la documentación es más completa y los trabajos adicionales se pueden justificar mejor. Fue importante un diccionario con componentes y nombres de fabricantes para que se escribieran correctamente. Tras una breve introducción, los montadores usaron la función por iniciativa propia porque era más rápido que teclear.

Protección de datos, límites y puesta en práctica

Las grabaciones de voz suelen contener datos personales. Las conversaciones solo pueden grabarse o transcribirse con conocimiento y consentimiento de los participantes; en los servicios en la nube, el contrato de encargo de tratamiento y la ubicación del servidor deben figurar en la lista de comprobación. Con ruido, dialecto o personas que hablan a la vez, la tasa de errores sigue siendo mayor, por lo que conviene revisar los textos importantes.

Nano Concepts integra el reconocimiento de voz en apps y flujos de trabajo, desde la función de dictado hasta el asistente telefónico, y elige los servicios según calidad y protección de datos. Probamos con grabaciones de su día a día cuán bien se reconocen dialectos, términos técnicos y ruido de fondo, y aclaramos si el procesamiento debe ejecutarse en local o en la nube.

• Definir la finalidad y la calidad del audio (micrófono, entorno)
• Usar un diccionario propio para términos técnicos y de producto
• Asegurar el consentimiento y la información de los interlocutores
• Aclarar la ubicación del servidor, el plazo de conservación y el contrato de encargo de tratamiento
• Revisar las transcripciones importantes antes de seguir utilizándolas