Reconocimiento automático del habla (ASR)
Reconocimiento Automático de Voz. El término técnico general para cualquier sistema que convierte audio hablado en texto escrito.
Referencia
Glosario de Transcripción
Definiciones en lenguaje sencillo de los términos técnicos utilizados en voz a texto y transcripción por IA. Las entradas principales enlazlan a páginas dedicadas con explicaciones y ejemplos más profundos.
Core ASR & models
Whisper
Un modelo ASR de código abierto lanzado por OpenAI en 2022. Entrenado con 680,000 horas de audio multilingüe. Ahora es la infraestructura estándar para la mayoría de las herramientas de transcripción con IA, incluyendo Transcript.you.
Versiones de Whisper (whisper-1 vs Whisper Large v3)
La variante de Whisper servida por la API de OpenAI (whisper-1) es más antigua y soporta JSON detallado con marcas de tiempo de segmentos. Whisper Large v3 es el último lanzamiento de código abierto con mejor precisión en audio ruidoso y acentuado.
Modelo acústico
El componente de un sistema de ASR que mapean las formas de onda de audio sin procesar a probabilidades de fonemas.
Modelo de lenguaje
El componente que convierte las suposiciones de fonemas en palabras reales prediciendo secuencias de palabras probables. Los transformadores modernos al estilo Whisper integran ambos en un solo modelo.
Búsqueda de haces
Una estrategia de decodificación utilizada por los motores ASR: en lugar de elegir la siguiente palabra más probable en cada paso (codicia), el sistema rastrea las secuencias candidatas top-k y elige la ruta completa con la puntuación más alta. Intercambia cómputo por precisión.
Pérdida CTC
Pérdida de Clasificación Temporal Conectivista — un objetivo de entrenamiento que permite a las redes ASR aprender alineaciones entre fotogramas de audio y caracteres sin etiquetas por fotograma. Pionera del reconocimiento de voz moderno de extremo a extremo.
Espectrogramas mel
Una representación visual de las frecuencias de audio trazadas en la escala Mel (uniforme perceptualmente). El formato de entrada estándar para las redes neuronales ASR modernas, incluido Whisper.
Fragmentación
Dividir un archivo de audio largo en segmentos más cortos antes de enviarlo al motor ASR. Whisper tiene una ventana de contexto de 30 segundos internamente; las herramientas segmentan en límites de 10 minutos para mantenerse dentro de los límites del modelo.
Alineación forzada
Hacer coincidir una transcripción conocida con su audio para producir tiempos por palabra. Se utiliza para mejorar la precisión de los subtítulos después del pase inicial de ASR.
VAD (Detección de Actividad de Voz)
Un paso de preprocesamiento que detecta qué partes de un flujo de audio contienen voz frente a silencio o ruido. Ahorra tiempo de procesamiento al omitir segmentos sin voz.
Detección de fin de habla
Detección en tiempo real de cuándo un usuario ha dejado de hablar — el disparador para finalizar subtítulos en vivo o enviar resultados de dictado a sistemas posteriores.
ASR en streaming
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.
Transcripción en tiempo real vs por lotes
La transcripción en tiempo real procesa un flujo de audio en vivo a medida que se habla (subtítulos en vivo). La transcripción por lotes procesa un archivo de grabación completo. Por lo general, la por lotes es más precisa; el tiempo real tiene una latencia de 1 a 3 segundos.
Predicción de puntuación
Un paso de post-procesamiento que añade comas, puntos y mayúsculas a la salida bruta de ASR, que originalmente produce flujos de palabras sin puntuación.
Modelos de puntuación y mayúsculas
Un modelo de post-procesamiento especializado que convierte la salida ASR sin puntuación y en minúsculas en texto debidamente puntuado y con mayúsculas. Whisper integra esto directamente; los pipelines anteriores usan un modelo separado.
Audio formats & properties
Códec
El algoritmo utilizado para comprimir y descomprimir datos de audio. MP3, AAC, FLAC, Opus y PCM son todos códecs. Los diferentes códecs equilibran el tamaño del archivo, la calidad y el costo computacional.
Tasa de muestreo
Cuántas veces por segundo se mide una señal de audio, en Hz. La calidad CD es de 44.100 Hz; las grabaciones modernas a menudo usan 48.000 Hz. Las tasas de muestreo más altas capturan más detalles, pero producen archivos más grandes.
Tasa de bits
Cuántos bits de datos se utilizan por segundo de audio, en kbps. El MP3 en streaming es de 128 kbps; la calidad de podcast es de 192-256 kbps; el sin pérdida de archivo es de 1.000+ kbps.
Hercios (Hz)
La unidad de frecuencia: ciclos por segundo. Las señales de audio se describen por su frecuencia de muestreo (por ejemplo, 44,100 Hz) y su contenido de frecuencia. El habla humana oscila aproximadamente entre 80 Hz y 8,000 Hz.
Audio con pérdida vs sin pérdida
La compresión con pérdida (MP3, AAC, OGG) descarta datos de audio para reducir el tamaño del archivo. La sin pérdida (FLAC, ALAC, WAV) preserva cada bit. Para la transcripción, la con pérdida a 128 kbps+ es indistinguible de la sin pérdida.
Etiquetas ID3
Campos de metadatos incrustados en archivos MP3: título, artista, álbum, año, género, etc. No afectan la transcripción, pero son útiles al organizar archivos de podcast por lotes antes de transcribir.
Speakers & diarization
Diarización
El proceso de identificar "quién dijo qué" en una grabación con múltiples oradores. A menudo etiquetado como Orador 1, Orador 2, etc. Requiere un modelo separado de la transcripción base.
Incrustación de hablante
Un vector de longitud fija que captura las características de voz de un hablante. Se utiliza en la diarización para agrupar segmentos por identidad del hablante sin conocer los nombres de antemano.
RTTM
Formato Rich Transcription Time Marked. Formato estándar basado en líneas para almacenar la salida de diarización: cuándo comienza y deja de hablar cada hablante. Se utiliza en puntos de referencia de investigación como DIHARD.
DER (Tasa de error de diarización)
La métrica de precisión estándar para la diarización de hablantes: porcentaje del tiempo de audio en el que el sistema atribuye al hablante equivocado (o omite el habla). Los sistemas de vanguardia logran un DER del 5-15% en puntos de referencia conversacionales.
Subtitles & captions
SRT
Formato de subtítulos SubRip. El formato de subtítulos más compatible, compatible con YouTube, VLC, Premiere, Final Cut y DaVinci Resolve.
VTT (WebVTT)
Pistas de Texto de Video Web. El formato de subtítulos nativo de HTML5. Utilizado por Vimeo, reproductores basados en navegador y sistemas CMS de video web modernos.
Marca de tiempo
Un marcador de tiempo en cada línea de una transcripción, típicamente en formato MM:SS o HH:MM:SS. Requerido para subtítulos; opcional para texto plano.
Transcripción vs. subtitulado
La transcripción produce un archivo de texto plano con todo lo hablado. El subtitulado produce líneas cortas codificadas en el tiempo optimizadas para la lectura en pantalla (típicamente 32-40 caracteres por línea, máximo 2 líneas en pantalla).
Subtítulos cerrados vs. subtítulos
Los subtítulos cerrados incluyen audio no verbal (indicaciones musicales, efectos de sonido, etiquetas de orador) para personas sordas o con dificultades auditivas. Los subtítulos asumen que el espectador puede oír y solo traducen el diálogo hablado.
Subtítulos incrustados vs. subtítulos secundarios
Los subtítulos incrustados están grabados en los píxeles del video (no se pueden desactivar). Los subtítulos secundarios se almacenan por separado como archivos SRT/VTT y se activan mediante el reproductor. Los subtítulos de redes sociales suelen ser incrustados; los videos web usan subtítulos secundarios.
Subtítulos de audio WCAG
Requisitos de las Pautas de Accesibilidad para Contenido Web (WCAG) para contenido de audio con subtítulos: subtítulos sincronizados para medios pregrabados (Nivel A), subtítulos en vivo para medios en directo (Nivel AA) y descripciones de audio para video (Nivel AA).
Accuracy metrics
Tasa de error de palabras (WER)
Tasa de Error de Palabra. El porcentaje de palabras que un motor de transcripción transcribe incorrectamente, incluyendo sustituciones, inserciones y eliminaciones. Cuanto menor, mejor. Los motores modernos logran un WER del 2-5% en audio limpio.
RTF (Factor de tiempo real)
Qué tan rápido procesa un sistema ASR el audio en relación con su duración. RTF = 0.5 significa que procesar 1 hora de audio toma 30 minutos. Whisper-1 en una GPU rápida funciona con un RTF de ~0.1-0.3.
Linguistics
Fonema
La unidad de sonido más pequeña en un idioma. El inglés tiene aproximadamente 44 fonemas. Los sistemas ASR mapean internamente el audio a secuencias de fonemas antes de ensamblar las palabras.
Prosodia
Los patrones de acentuación, entonación y ritmo en el lenguaje hablado. La ASR moderna ignora la prosodia para la transcripción a nivel de palabra, pero es la próxima frontera para la detección de emociones e intenciones.
IPA (Alfabeto Fonético Internacional)
Un sistema de notación estandarizado para representar los sonidos de cualquier idioma hablado. Se utiliza en lingüística y guías de pronunciación.
Alternancia de códigos
Mezclar dos o más idiomas dentro de un solo enunciado: común en hablantes bilingües. Un caso desafiante para ASR; Whisper-3 maneja pares bilingües comunes (español-inglés, mandarín-inglés), pero la precisión disminuye en combinaciones raras.
Efecto Lombard
La tendencia involuntaria de los oradores a elevar la voz y articular más claramente en entornos ruidosos. Las grabaciones realizadas bajo ruido intenso suenan más fuertes que una conversación normal, lo que complica el ASR si el modelo no fue entrenado con habla de Lombard.
ELAN
Una herramienta ampliamente utilizada del Instituto Max Planck para anotar grabaciones de audio y video, común en flujos de trabajo de lingüística e investigación cualitativa. Lee transcripciones producidas en otros lugares.
¿Buscas más profundidad? Lee el Guía completa de transcripción por IA para un recorrido completo por formatos, precisión y herramientas.
Última actualización: November 01, 2026