Glosario
Un modelo acústico es la parte de un sistema de reconocimiento de voz que mapean el audio crudo (o un espectrogramas mel derivado de él) a probabilidades de fonema — "¿qué sonidos de voz hay aquí, fotograma por fotograma?". En el ASR clásico (HMM-GMM, HMM-DNN), el modelo acústico es un componente entrenable separado. En sistemas modernos de extremo a extremo como Whisper, el modelo acústico está conceptualmente subsumido dentro del codificador.
El pipeline clásico
Los pipelines ASR anteriores a 2017 tenían tres componentes distintos: un modelo acústico que mapeaba los fotogramas de audio a probabilidades de fonemas, un léxico de pronunciación que mapeaba palabras a secuencias de fonemas, y un modelo de lenguaje que elegía la secuencia de palabras más probable. Cada uno se entrenó por separado. El modelo acústico utilizaba Modelos de Mezcla Gaussiana o DNN sobre características MFCC/filterbank. El decodificador los unía con transductores de estado finito ponderados, rápido pero complicado de entrenar y mantener.
El enfoque de extremo a extremo lo reemplaza
Los modelos ASR de transformadores modernos (Whisper, wav2vec 2.0, Conformer) combinan el modelado acústico, de pronunciación y de lenguaje en una sola red entrenada de extremo a extremo con pares (audio, texto). No hay una capa de fonemas explícita: el modelo aprende su propia representación interna. Esto simplifica enormemente el entrenamiento y produce una mejor precisión en audio del mundo real. El término "modelo acústico" es ahora, en su mayor parte, un término histórico/de investigación.
Cuándo aún encontrarías el término
Casos de uso de nicho: lenguas de bajos recursos donde se parte de corpus alineados por fonemas; diccionarios de pronunciación para alineación forzada; investigación sobre la desvinculación de sesgos acústicos frente a lingüísticos. Para la transcripción comercial sin conexión (lo que hacemos), el término es principalmente informativo: obtienes una transcripción, no ajustas un modelo acústico.
En la práctica
Antes de Whisper (2018), un pipeline típico de Kaldi ejecutaba un modelo acústico TDNN entrenado en cadena que producía probabilidades de senones (subfonemas) a intervalos de 30 ms, y luego componía esos resultados con un modelo de lenguaje de 4-gramas en un decodificador WFST. Whisper hace todo eso implícitamente dentro de su transformador codificador-decodificador, sin exponer un modelo acústico separado.
Términos relacionados
Lecturas adicionales
Probar ASR moderno
Comenzar — gratisÚltima actualización: 3 de noviembre de 2026
Preguntas frecuentes
¿Qué significa Modelo acústico en el ámbito de la transcripción?
El componente de un sistema de ASR que mapean las formas de onda de audio sin procesar a probabilidades de fonemas.
¿Por qué es importante Modelo acústico al elegir un flujo de trabajo de transcripción?
Modelo acústico 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 Modelo acústico en Transcript.you?
Usa el flujo de trabajo relacionado en /ai-transcription 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.