Voz a texto

La captura de audio convierte el sonido en una secuencia de muestras. La extracción de características convierte esas muestras en una representación que el modelo puede leer, normalmente un espectrograma. El modelo de reconocimiento convierte esa representación en texto, a veces pasando por fonemas o fragmentos de palabras. El posprocesado convierte la salida del modelo en algo que escribiría una persona: puntuación, mayúsculas, números en cifras y, en las mejores herramientas, eliminación de muletillas y tono.

Cuando se dice que una herramienta “usa IA”, casi siempre se refiere a la tercera etapa. La cuarta es donde está la mayor parte de la calidad en el uso diario, y es la etapa que el marketing suele saltarse.

La STT en la nube envía el audio a un servidor, ejecuta allí un modelo grande y devuelve texto. Puede usar modelos demasiado grandes para un portátil y funciona en cualquier dispositivo con conexión. La STT en el dispositivo ejecuta el modelo en tu propio hardware, así que el audio nunca sale del equipo, funciona sin conexión y no hay ida y vuelta. En Apple silicon, la diferencia de precisión se ha reducido tanto que la elección depende mucho más de la privacidad y el coste que de la calidad.

“Voz a texto” en una ficha técnica suele referirse al modelo en bruto. “Dictado” se refiere a la experiencia completa, incluido dónde acaba el texto. “Transcripción” se refiere a archivos. “En directo” o “streaming” significa que las palabras aparecen mientras hablas y no después. “Local” o “en el dispositivo” significa que el audio se queda en casa. Saber qué etapa describe cada palabra es casi todo lo que necesitas para leer una comparativa con criterio.

Todos los Macs traen integrada la conversión de voz a texto. Apple la llama Dictado, y escribe en cualquier campo de texto donde esté el cursor. Puedes configurarla en un minuto.

1. 01 Selecciona el menú Apple → Ajustes del Sistema y haz clic en Teclado en la barra lateral.
2. 02 Ve a Dictado y actívalo.
3. 03 Haz clic en el menú desplegable junto a Fuente del micrófono y elige el micrófono que quieras. Con Automático, el Mac escucha el dispositivo que es más probable que uses.
4. 04 Haz clic en el menú desplegable Atajo y elige un atajo para iniciar Dictado. Elige Personalizar para crear uno que no esté en la lista.
5. 05 Haz clic en cualquier campo de texto, pulsa el atajo y habla.
6. 06 Detenlo cuando termines. Dictado también se detiene automáticamente cuando no detecta voz durante 30 segundos.

Depende del audio más de lo que la mayoría espera. NVIDIA publica resultados de su modelo abierto Parakeet TDT 0.6B v3 en ocho conjuntos de pruebas en inglés, y el mismo modelo obtiene una tasa de error por palabra del 1,93 % con habla leída limpia (LibriSpeech test-clean) y del 11,31 % con grabaciones de reuniones (AMI).

El ruido también mueve la cifra. En la misma ficha del modelo, la tasa media de error por palabra sube del 6,34 % con audio limpio al 11,66 % cuando el ruido suena tan alto como la voz (una relación señal-ruido de 0). Una sala tranquila y un micrófono cercano son la mejora de precisión más barata que puedes hacer.

• Tipo de habla: las frases leídas son más fáciles que una reunión con gente que se pisa al hablar.
• Ruido de fondo y música: la tasa de error sube a medida que el ruido se acerca al nivel de tu voz.
• Acento y dialecto: la ficha del modelo Whisper indica un rendimiento distinto según el acento y el dialecto.
• Idioma: la ficha del modelo Whisper indica menos precisión en los idiomas con menos datos de entrenamiento.
• Vocabulario: la ficha del modelo Parakeet advierte que es poco probable que se reconozca una palabra que esté fuera del vocabulario del modelo.

La conversión de voz a texto se procesa en tu dispositivo o se envía a un servidor, y normalmente puedes averiguar cuál de las dos. Para el Dictado de Apple, la respuesta está escrita en Ajustes. Para cualquier otra herramienta, la lista de permisos te dice qué apps pueden oír el micrófono.

1. 01 Selecciona el menú Apple → Ajustes del Sistema y haz clic en Teclado en la barra lateral.
2. 02 Ve a Dictado y lee el texto que hay debajo del interruptor de Dictado. Dice si tus entradas de voz y tus transcripciones se procesan en tu dispositivo.
3. 03 Ve a Ajustes del Sistema → Privacidad y seguridad → Micrófono para ver todas las apps que han pedido usar el micrófono.
4. 04 Desactiva en esa lista cualquier app que no quieras que escuche.
5. 05 Para una herramienta de terceros, lee su política de privacidad para saber dónde se procesa el audio. La lista de Micrófono muestra quién puede escuchar, no adónde va el audio.