¿Qué es el reconocimiento automático del habla? Abreviado como ASR, es la tecnología que identifica automáticamente las palabras de un audio hablado, sin que una persona las teclee. El resultado es texto plano, a veces con marcas de tiempo. La precisión depende mucho de la calidad de la grabación, los acentos y el idioma hablado.
Transcribe una grabación
Envía tu mensaje de voz, audio o vídeo a @potok_now_bot en Telegram y el texto te llega en el chat.
Abrir @potok_now_bot en Telegram
Archivos de hasta 2 GB · exportación a TXT, MD, DOCX, PDF, SRT y VTT · etiquetas de hablantes y marcas de tiempo · unos 30 idiomas
Datos clave
- Los sistemas ASR modernos son redes neuronales entrenadas con grandes colecciones de grabaciones emparejadas con sus transcripciones.
- ASR también se llama voz a texto; ambos nombres describen el mismo paso de convertir sonido en palabras escritas.
- Los sistemas se comparan con la tasa de error de palabras, un recuento de palabras erróneas, ausentes y sobrantes frente a un texto de referencia.
- Pasos adicionales como la puntuación, las etiquetas de hablante y el formato de números suelen añadirse después del reconocimiento en sí.
- El mismo motor puede comportarse de forma muy distinta con un micrófono de estudio que con un teléfono al otro lado de una mesa ruidosa.
Cómo se ve
audio -> features -> acoustic + language model -> text
example result:
{
"text": "the meeting starts at nine",
"segments": [
{"start": 0.0, "end": 2.4, "text": "the meeting starts at nine"}
]
}
Más
Consulta la lista completa de idiomas, las herramientas y el glosario.
Preguntas frecuentes
¿ASR es lo mismo que voz a texto?
Sí, en el uso cotidiano. ASR es el nombre técnico del proceso, y voz a texto es el nombre más sencillo para la misma tarea y su resultado.
¿El ASR entiende el significado?
No en el sentido humano. Predice las palabras más probables para los sonidos que oye, así que puede escribir una palabra equivocada que suena bien.
¿Qué empeora los resultados del ASR?
El ruido de fondo, las voces superpuestas, los acentos marcados, los micrófonos malos y los nombres poco comunes reducen la precisión. Una grabación limpia es la mayor ayuda.
¿Cómo se mide la calidad del ASR?
Sobre todo con la tasa de error de palabras, y con la tasa de error de caracteres en idiomas que se escriben sin espacios. Ambas comparan el resultado con un texto de referencia humano.
¿Cómo uso ASR con una grabación?
Envía el archivo al bot de Potok en Telegram. Se aceptan mensajes de voz y archivos de audio y vídeo de hasta 2 GB, y el texto vuelve como mensaje o como archivo.
Fuentes
Cada fuente se abrió a mano en la fecha indicada. Las páginas cambian, así que abre la fuente si un detalle te importa.
- Speech recognition (Wikipedia), Wikipedia · comprobado
- Word error rate (Wikipedia), Wikipedia · comprobado
Pruébalo con tu propia grabación
Envía tu mensaje de voz, audio o vídeo a @potok_now_bot en Telegram y el texto te llega en el chat.
Abrir @potok_now_bot en Telegram