Glosario
ASR en Streaming (también llamado ASR en línea) procesa el audio a medida que llega, emitiendo transcripciones parcial continuamente en lugar de esperar a que finalice el audio. Es la tecnología detrás de los subtítulos en vivo en Zoom, la escritura por voz en teléfonos, los asistentes de voz y los subtítulos de eventos en vivo. Presenta desafíos arquitectónicos diferentes al ASR por lotes, y un equilibrio diferente entre precisión/latencia.
Arquitectura de streaming vs. por lotes
ASR por Lotes (lo que hacemos) ve el audio completo a la vez, puede usar atención bidireccional y ejecuta búsqueda de haces con vista completa. ASR de Streaming ve el audio en fragmentos pequeños (50-200 ms) y debe comprometerse con el texto en ~1 segundo, antes de que llegue el resto de la frase. Arquitecturas: RNN-Transducer (RNN-T), modelos basados en CTC, transductores de transformadores, transformadores de atención monótona.
Por qué el streaming es más difícil
Dos desafíos principales. (1) Compromiso latencia-precisión: fragmentos más cortos = menor latencia pero menos contexto = menor precisión. Ajustar esto es una decisión de UX. (2) Inestabilidad del resultado parcial: "I scream" podría aparecer y luego corregirse a "ice cream" 200 ms después. La UI/UX debe manejar la reescritura con gracia, típicamente italicizando o atenuando el texto inestable hasta que se confirme.
Cuándo usar streaming
Subtítulos en vivo (Zoom, Google Meet, Teams), asistentes de voz (Siri, Alexa, Google Assistant), subtitulado de transmisiones en vivo (deportes, noticias), software de dictado, herramientas de accesibilidad (subtítulos en tiempo real para sordos y con dificultades auditivas en aulas). Donde el usuario quiera resultados durante el habla en lugar de después. Actualmente no ofrecemos streaming; nuestro enfoque es la transcripción por lotes posterior a la grabación, donde la precisión es más importante que la latencia.
En la práctica
Cuando se une a una llamada de Zoom con subtítulos en vivo activados, Zoom está ejecutando un sistema ASR en streaming en el audio de cada orador. Las palabras aparecen con un retraso de ~1-2 segundos, a veces parpadean mientras el modelo corrige suposiciones anteriores y no incluyen etiquetas de orador porque la diarización es difícil en tiempo real. Después de la reunión, reprocese la grabación en modo por lotes (subiendo el .m4a a Transcript.you) para una transcripción más precisa con etiquetas de orador.
Términos relacionados
Lecturas adicionales
Transcribir una reunión grabada
Comenzar — gratisÚltima actualización: 3 de noviembre de 2026
Preguntas frecuentes
¿Qué significa ASR en streaming en el ámbito de la transcripción?
Reconocimiento de voz que emite resultados parciales a medida que llega el audio, en lugar de esperar a que finalice la grabación. Requerido para subtítulos en vivo e IA conversacional.
¿Por qué es importante ASR en streaming al elegir un flujo de trabajo de transcripción?
ASR en streaming influye en cómo entiendes la calidad, los tiempos y la compatibilidad de una transcripción, o la tecnología que produce los resultados de voz a texto.
¿Dónde puedo aplicar ASR en streaming en Transcript.you?
Usa el flujo de trabajo relacionado en /zoom-to-text para ver cómo se aplica este concepto del glosario a una tarea de transcripción real.
Explora el glosario de transcripción o lee el guía completa de transcripción por IA.