Transcripción en directo

Con el reconocimiento por lotes, el modelo empieza a trabajar cuando sueltas la tecla y esperas a que se procese toda la grabación. La pausa es proporcional a lo que hayas hablado. En directo, el modelo ha ido siguiéndote todo el tiempo, así que al soltar la tecla solo queda terminar la última fracción de segundo de audio y hacer la pasada de formato. El resultado es un retraso que no crece con la frase, y eso es lo que la gente quiere decir cuando dice que una herramienta es rápida.

Hay un segundo efecto. Ver las palabras en directo te dice que la herramienta te está oyendo bien, así que dejas de mirar el resultado después para comprobarlo. Esa confianza es casi todo lo que convierte el dictado en un hábito y no en un experimento.

Un modelo en directo fija las palabras de forma provisional y puede cambiar de opinión a medida que llega más audio: “la reunión está” puede convertirse en “la reunión estaba” un instante después. Las buenas herramientas muestran estas correcciones en una vista pasajera, como una ventana en la muesca o una píldora flotante, y solo insertan en tu documento el texto ya asentado. Insertar los resultados parciales en la app y luego reescribirlos es la forma en que una herramienta acaba peleándose con tu editor de texto.

Para el directo hace falta un modelo de tipo transductor entrenado para ese idioma. Las familias que hoy funcionan bien en directo cubren unas pocas decenas de idiomas; los modelos por lotes como Whisper cubren alrededor de cien. Una herramienta que anuncia 99 idiomas y texto en directo suele funcionar en directo en los idiomas que admite su transductor y procesar el resto por lotes, y una página de producto honesta dice cuáles son cuáles.

macOS tiene un ejemplo integrado de transcripción en streaming llamado Subtítulos en vivo. Escribe subtítulos para el audio de tus apps, o para el sonido que capta el micrófono, mientras el audio sigue sonando. Apple dice que el audio se procesa en el dispositivo. Subtítulos en vivo solo está disponible en ordenadores Mac con Apple silicon, y no en todos los idiomas, países o regiones.

1. 01 Selecciona el menú Apple → Ajustes del Sistema y haz clic en Accesibilidad en la barra lateral.
2. 02 Haz clic en Subtítulos en vivo y actívalo.
3. 03 Reproduce un vídeo o un pódcast en cualquier app.
4. 04 Observa la ventana de subtítulos. El texto aparece mientras la persona sigue hablando: eso es streaming.
5. 05 Cuando termines, desactiva Subtítulos en vivo en el mismo sitio.

Tal cual vienen, en el caso de Whisper, no. La ficha del modelo de OpenAI dice que los modelos Whisper no se pueden usar tal cual para transcripción en tiempo real, y que otros pueden construir sobre ellos aplicaciones casi en tiempo real. El código de referencia desplaza una ventana de 30 segundos por un archivo terminado.

Parakeet se acerca más. La ficha del modelo de NVIDIA para Parakeet TDT 0.6B v3 documenta un modo de streaming, y sus ajustes de ejemplo muestran la concesión que hace cualquier configuración de streaming: el audio se procesa en fragmentos de 2 segundos, con 10 segundos de audio anterior y 2 segundos de audio posterior como contexto. El audio posterior es la anticipación. Cuanto más hay, más información tiene el modelo, y también más tarde aparecen las palabras.

El streaming importa cuando una persona está esperando las palabras. El procesamiento por lotes basta, y a menudo es más sencillo, cuando el audio ya existe como archivo. Si estás eligiendo una herramienta, ajusta el modo a la tarea.

• Dictar en un campo de texto: streaming, para que veas que te está oyendo.
• Subtítulos de una llamada o una charla en directo: streaming, porque un subtítulo que llega cuando la frase ya ha terminado sirve de poco.
• Transcribir una reunión, una entrevista o una clase grabadas: por lotes. Nadie está mirando cómo llegan las palabras.
• Crear archivos de subtítulos: por lotes. La herramienta de línea de comandos de Whisper escribe directamente archivos srt y vtt.
• Un idioma que tu modelo de streaming no cubre: por lotes, con un modelo que sí lo cubra.