Glosario
ASR es el término técnico que cubre cualquier sistema que convierte audio hablado en texto, desde la escritura por voz de tu teléfono hasta motores de transcripción comerciales como OpenAI Whisper. Es un campo de investigación de 70 años que se hizo comercialmente viable alrededor de 2014 y alcanzó una precisión equivalente a la humana en audio limpio en 2022.
Cómo funciona realmente el ASR moderno
La ASR moderna es una red neuronal transformadora. Toma una señal de audio, la convierte en un espectrogramas mel (una representación visual de frecuencias a lo largo del tiempo), y luego la alimenta a un modelo que genera una secuencia de probabilidades de tokens. Un decodificador (típicamente búsqueda de haces) convierte esas probabilidades en la secuencia de palabras más probable. La familia Whisper de OpenAI es el estándar actual, entrenada con 680,000 horas de audio multilingüe.
Dónde encaja el ASR en tu flujo de trabajo
Si has usado Siri, Alexa, Google Voice Typing, subtítulos automáticos de YouTube o cualquier herramienta de transcripción con IA, has usado ASR. La misma tecnología funciona en tiempo real (subtítulos en vivo, dictado) y en lotes sin conexión (este sitio, Otter, Rev). El ASR en tiempo real es más difícil porque no puedes ver el futuro de la frase; el procesamiento por lotes sin conexión es más preciso porque puede revisar.
Puntos de referencia de precisión en 2026
La ASR moderna logra tas de error de palabra del 3-7% en inglés limpio y de un solo hablante. Baja a una precisión del 88-94% en inglés con acento o audio con ruido, y del 80-88% en solapamiento de múltiples hablantes o jerga técnica. Usamos Whisper-3 directamente sin ajuste propietario, manteniendo una precisión general fuerte en todos los idiomas.
En la práctica
Sube un episodio de podcast de 30 minutos en nuestro cargador. El audio se convierte en un espectrogramas mel, se alimenta a través de Whisper, se decodifica con búsqueda de haces (beam search) y obtienes una transcripción de texto limpia en 60-90 segundos. Tiempo total de cómputo de nuestro lado: unos 2 segundos de tiempo de GPU por minuto de audio.
Términos relacionados
Lecturas adicionales
Probar transcripción con IA
Comenzar — gratisÚltima actualización: November 01, 2026
Preguntas frecuentes
What does ASR mean in transcription?
Reconocimiento Automático de Voz. El término técnico general para cualquier sistema que convierte audio hablado en texto escrito.
Why does ASR matter when choosing a transcription workflow?
ASR affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply ASR on Transcript.you?
Use the related workflow at /ai-transcription when you want to see how this glossary concept connects to an actual transcription task.
Explora el glosario de transcripción o lee el guía completa de transcripción por IA.