Glosario
La búsqueda de haces es el algoritmo de decodificación estándar utilizado por modelos de secuencia como Whisper. En lugar de elegir codiciosamente la siguiente palabra más probable en cada paso, el algoritmo rastrea las k secuencias candidatas principales (el "ancho del haz") y elige la ruta completa con la mejor puntuación. Es la razón por la que la ASR no comete errores codiciosos obvios como "I scream" en lugar de "ice cream" — al considerar múltiples rutas, la correcta gana por la puntuación acumulada.
Codificación codiciosa vs. búsqueda de haz
La decodificación codiciosa elige el siguiente token de mayor probabilidad en cada paso. Es rápida pero miópica: las malas elecciones tempranas se propagan. La búsqueda de haz con un ancho de haz de k=5 rastrea las 5 secuencias parcial superiores después de cada paso. Tras procesar el audio completo, devuelve la secuencia completa con la puntuación más alta. Requiere aproximadamente 5 veces más cómputos que la codiciosa, a cambio de una precisión notablemente mejor en audio ambiguos.
Compromiso del ancho del haz
Un ancho de haz mayor = mejor calidad hasta cierto punto, luego rendimientos decrecientes. k=1 es codicioso. k=5 es el punto óptimo práctico para ASR: aquí se captura la mayor ganancia de precisión. k=10-20 recupera algunos casos más, pero cuesta proporcionalmente más. Más allá de k=20, estás gastando cómputos en casos de cola larga que los humanos también confunden.
Penalización de longitud y otros ajustes
La búsqueda de haz pura prefiere secuencias más cortas (cada token tiene una probabilidad < 1, por lo que las secuencias cortas acumulan una probabilidad de producto más alta). La normalización por longitud o un término de penalización por longitud corrige esto. Whisper utiliza el muestreo de temperatura durante la decodificación: cuando las probabilidades de los tokens son demasiado uniformes (el modelo no está seguro), reduce la temperatura y vuelve a decodificar. Usamos la estrategia de decodificación estándar de Whisper sin modificaciones; los ajustes propietarios tienden a sobreajustar.
En la práctica
Audio: "I scream for ice cream." Después de procesar las primeras tres palabras, la decodificación codiciosa podría elegir "I scream for I scream" (malinterpretando el último "ice cream" como otro "I scream" porque suenan similares). La búsqueda de haz mantiene tanto "I scream" como "ice cream" como candidatos después de cada fragmento, y la preferencia del modelo de lenguaje por "ice cream" en el contexto de la comida gana por la puntuación acumulada.
Términos relacionados
Lecturas adicionales
Ver la decodificación precisa en la práctica
Comenzar — gratisÚltima actualización: November 01, 2026
Preguntas frecuentes
What does Beam search mean in transcription?
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.
Why does Beam search matter when choosing a transcription workflow?
Beam search affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply Beam search 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.