Glosario
El dictado, explicado con claridad.
El vocabulario de la voz a texto, una página por término: qué significa, por qué importa en la práctica, dónde suele difuminarlo el marketing y dónde puedes verlo funcionar.
En tu Mac
Los ajustes, las teclas y las funciones de macOS con los que se encuentra el dictado, y dónde está cada uno.
Tecla del globo terráqueoTecla Fn, tecla Función
La tecla del globo terráqueo es la tecla marcada con el símbolo de un globo terráqueo, y normalmente también con fn, en los teclados de Mac.
Leer la definición
Control por vozComandos de voz del Mac
Control por voz es una función de accesibilidad integrada en macOS que te permite manejar un Mac solo con la voz.
Leer la definición
Comandos de dictadoComandos de dictado del Mac, comandos de puntuación por voz
Los comandos de dictado son las palabras y frases que dices al usar Dictado en un Mac para introducir puntuación, símbolos, mayúsculas y formato en lugar de texto normal.
Leer la definición
Puntuación automáticapuntuación automática
La puntuación automática es un ajuste de Dictado en el Mac que inserta automáticamente comas, puntos e interrogaciones mientras dictas.
Leer la definición
Volumen de entradavolumen del micrófono, nivel de entrada, ganancia del micrófono
El volumen de entrada es el ajuste del Mac que controla con qué intensidad se capta el sonido del micrófono u otro dispositivo de entrada seleccionado.
Leer la definición
Modo de micrófonoModos de micrófono, Aislamiento de voz, Sonido de fondo (Wide Spectrum)
El modo de micrófono es un control de macOS que cambia cómo trata el micrófono del Mac el sonido que te rodea, en las apps compatibles.
Leer la definición
Entrada de teclado seguraSecure Event Input, entrada segura
Entrada de teclado segura es un ajuste de Terminal en el Mac que impide que otras apps del ordenador o de la red detecten y graben lo que escribes en Terminal.
Leer la definición
Subtítulos en vivosubtítulos en tiempo real, transcripción en directo
Subtítulos en vivo es una función de accesibilidad de macOS que muestra en una ventana de la pantalla una transcripción en tiempo real del audio hablado, tanto del audio de cualquier app como de las conversaciones en persona que tienen lugar a tu alrededor.
Leer la definición
Dictado mejoradoUsar dictado mejorado, dictado sin conexión
El Dictado mejorado era una casilla del panel Dictado de las preferencias de Teclado, en versiones antiguas de macOS, que descargaba al Mac software de reconocimiento de voz para que pudieras dictar sin conexión.
Leer la definición
Mejorar Siri y DictadoCompartir grabaciones de audio, historial de Siri y Dictado
Mejorar Siri y Dictado es un ajuste de privacidad opcional que permite a Apple guardar y revisar una muestra del audio de tus interacciones con Siri y Dictado para desarrollar y mejorar esas funciones.
Leer la definición
Apple Intelligence
Apple Intelligence es el conjunto de funciones de IA generativa de Apple integradas en macOS, entre ellas las herramientas de escritura para reescribir, revisar y resumir texto.
Leer la definición
SpeechAnalyzerSpeechTranscriber, framework Speech
SpeechAnalyzer es una clase del framework Speech de Apple, introducida con macOS 26 e iOS 26, que las apps usan para convertir audio hablado en texto.
Leer la definición
Hablarle
Los términos de cómo empieza el dictado, cómo se detiene y cómo llega a la app en la que estás.
Dictado
El dictado es producir texto escrito hablando, con las palabras transcritas en tiempo real o casi, en el lugar donde estás escribiendo.
Leer la definición
Escritura por voz
La escritura por voz es otro nombre para el dictado: introducir texto en una aplicación hablando en lugar de usar el teclado.
Leer la definición
Transcripcióntranscripción de archivos
La transcripción es convertir en texto una grabación de audio o de vídeo ya existente, a posteriori.
Leer la definición
Push-to-talkpulsar para hablar
Push-to-talk (pulsar para hablar) es una forma de activación en la que la grabación solo dura mientras mantienes pulsada una tecla: pulsas, hablas, sueltas y listo.
Leer la definición
Detección de actividad de vozVAD
La detección de actividad de voz (VAD, por sus siglas en inglés) es la técnica que detecta cuándo alguien está hablando y cuándo hay silencio o ruido de fondo.
Leer la definición
Palabra de activaciónhotword
Una palabra de activación es una frase hablada que enciende un dispositivo que escucha, como “Oye Siri” o “Alexa”.
Leer la definición
Permiso de AccesibilidadPermiso de Accesibilidad
El permiso de Accesibilidad es el ajuste de macOS que permite a una app leer y controlar la interfaz de otras apps.
Leer la definición
Cómo te oye
Los modelos, las mediciones y los fallos al convertir audio en palabras.
Voz a textoSTT
La conversión de voz a texto (STT, por sus siglas en inglés) es la tecnología que convierte audio hablado en palabras escritas.
Leer la definición
Reconocimiento automático del hablaASR
El reconocimiento automático del habla (ASR, por sus siglas en inglés) es el campo del aprendizaje automático, y el tipo de modelos, que convierte en texto el audio de la voz humana.
Leer la definición
Whisper
Whisper es una familia de modelos de reconocimiento de voz de código abierto que OpenAI publicó en 2022, entrenada con 680.000 horas de audio y que cubre unos 99 idiomas.
Leer la definición
Parakeet
Parakeet es una familia de modelos de reconocimiento de voz de código abierto de NVIDIA, construida sobre una arquitectura de transductor, que puede emitir palabras a medida que llega el audio.
Leer la definición
Neural EngineANE
El Neural Engine es la parte de un chip Apple silicon hecha para ejecutar modelos de aprendizaje automático de forma eficiente, junto a la CPU y la GPU.
Leer la definición
Transcripción en directotranscripción en tiempo real
La transcripción en directo muestra las palabras en pantalla mientras sigues hablando, no después de que pares.
Leer la definición
Identificación de idiomaLID
La identificación de idioma es el paso en el que el software de voz averigua qué idioma se está hablando antes de transcribir, o mientras transcribe.
Leer la definición
Tasa de error por palabraWER
La tasa de error por palabra (WER, por sus siglas en inglés) es la medida estándar de la precisión del reconocimiento de voz: el número de palabras que un modelo ha fallado, dividido entre el número de palabras realmente dichas.
Leer la definición
Alucinación
En el reconocimiento de voz, una alucinación es texto que el modelo produce y que nadie dijo: una frase verosímil inventada a partir del silencio, del ruido o de un fragmento demasiado corto para transcribirlo.
Leer la definición
Latencialatencia al soltar la tecla
En el dictado, la latencia es el tiempo que pasa entre el final de lo que dices y la aparición del texto terminado en el cursor.
Leer la definición
Diarización de hablantesetiquetas de hablante
La diarización de hablantes es el proceso de averiguar quién habló y cuándo en una grabación, para poder etiquetar una transcripción por hablante.
Leer la definición
Whisper large-v3 turboWhisper turbo, large-v3-turbo
Whisper large-v3 turbo es un modelo de reconocimiento de voz de OpenAI, publicado el 1 de octubre de 2024.
Leer la definición
Cohere Transcribecohere-transcribe-03-2026
Cohere Transcribe es un modelo de reconocimiento de voz de código abierto de Cohere, publicado en marzo de 2026.
Leer la definición
Qwen3-ASRQwen3-ASR-1.7B, Qwen3-ASR-0.6B
Qwen3-ASR es una familia de modelos de reconocimiento de voz de código abierto del equipo Qwen de Alibaba, publicada el 29 de enero de 2026.
Leer la definición
MLXApple MLX, framework MLX
MLX es un framework de arrays de código abierto para el aprendizaje automático en Apple silicon, creado por el equipo de investigación en aprendizaje automático de Apple.
Leer la definición
Core MLCoreML, Apple Core ML
Core ML es el framework de Apple para ejecutar modelos de aprendizaje automático dentro de una app, en el dispositivo.
Leer la definición
Cuantizacióncuantización de modelos, 4 bits, 8 bits
La cuantización consiste en guardar los números de un modelo con menos bits cada uno, por ejemplo 4 u 8 bits donde el original usaba 16 o 32.
Leer la definición
Factor de tiempo realRTF, RTFx
El factor de tiempo real (RTF) es el tiempo que tarda un sistema de reconocimiento de voz en procesar un audio, dividido entre la duración de ese audio.
Leer la definición
Lo que sale
Todo lo que pasa entre una transcripción en bruto y el texto que habrías tecleado.
Disfluenciamuletillas
Una disfluencia es cualquier ruptura del habla fluida: muletillas como “eh” y “em”, palabras repetidas, comienzos en falso y autocorrecciones.
Leer la definición
Pasada de formatoposprocesamiento
La pasada de formato es el paso posterior al reconocimiento de voz que convierte una transcripción sin procesar en el texto que una persona habría escrito: puntuación, mayúsculas, números en cifras, muletillas eliminadas y un tono adecuado al destino del texto.
Leer la definición
Modo literal
El modo literal es un ajuste de dictado en el que el resultado es exactamente lo que dijiste, sin reformulaciones, ajustes de tono ni limpieza más allá del reconocimiento básico.
Leer la definición
Puntuación dictadacomandos de voz
La puntuación dictada consiste en decir el nombre de un signo o símbolo, como “comma”, “open paren” o “new paragraph”, y que la herramienta de dictado escriba el símbolo en lugar de la palabra.
Leer la definición
Expansión de textofragmentos
La expansión de texto sustituye un activador corto por un texto guardado más largo: una dirección, una firma, una respuesta predefinida.
Leer la definición
Diccionario personalvocabulario personalizado
Un diccionario personal es la lista de palabras que a una herramienta de dictado se le ha enseñado a escribir a tu manera: nombres, productos, jerga y todo lo que el modelo de voz escribiría si no como la palabra más probable en inglés.
Leer la definición
Adaptación del tonoregistro
La adaptación del tono es una función de formato que escribe las mismas palabras dictadas de forma distinta según adónde van: en minúsculas y suelto en una app de chat, puntuado y completo en un correo, intacto en un terminal.
Leer la definición
Palabras por minutoPPM
Las palabras por minuto (PPM, en inglés WPM) miden la velocidad de producción de texto.
Leer la definición
Dónde funciona
Los dos términos que deciden si tu voz se convierte en datos de otro.
Procesamiento en el dispositivoprocesamiento local
El procesamiento en el dispositivo significa que el modelo de reconocimiento de voz se ejecuta en tu propio ordenador, así que el audio se transcribe en local y nunca se sube.
Leer la definición
LLM localmodelo de lenguaje en el dispositivo
Un LLM local es un modelo de lenguaje que se ejecuta en tu propio ordenador y no en el servidor de un proveedor.
Leer la definición
Tu voz siempre fue más rápida.
7 días gratis y luego $19 USD en un solo pago. Sin cuenta, sin suscripción, sin subir nada.
macOS 14 o posterior · Apple silicon