Glosario
Un espectrogramas mel es el formato de entrada para los modelos modernos de reconocimiento de voz. Es una imagen 2D donde el eje X es el tiempo, el eje Y es la frecuencia y el brillo del píxel es la amplitud — pero con el eje de frecuencia deformado a la escala Mel, que es perceptualmente uniforme (1 kHz se siente la mitad de alto que 2 kHz para un oyente humano). Whisper, wav2vec, Conformer y todos los modelos ASR actuales toman un espectrogramas mel como entrada.
¿Por qué la escala Mel y no el Hz regular?
El oído humano es logarítmico en frecuencia. La diferencia de tono entre 100 Hz y 200 Hz suena más grande que la diferencia entre 5,000 Hz y 5,100 Hz, aunque ambos están separados por 100 Hz numéricamente. La escala Mel es una transformación no lineal que aproxima cómo perciben los humanos el tono: puntos equidistantes en la escala Mel suenan igualmente distantes para nosotros. Entrenar ASR con espectrogramas mel le da al modelo una representación alineada perceptualmente, lo que generaliza mejor que la frecuencia bruta.
Cómo se calcula un espectrogram mel
Tres pasos. (1) Transformada de Fourier de Tiempo Corto (STFT): desliza una ventana de 25 ms a través del audio en saltos de 10 ms, toma la FFT de cada ventana, obtén un espectrogramas lineal de frecuencia regular. (2) Banco de filtros Mel: aplica ~80 filtros triangulares espaciados en la escala Mel, sumando la energía de cada filtro. (3) Compresión logarítmica: toma el log de cada valor para comprimir el rango dinámico. Resultado: una matriz de 80 canales × T-frame que es el espectrogramas mel.
Cómo se ve
Abre cualquier visualizador de espectrogramas (Audacity, sonic visualiser) y carga una vocal. Verás bandas horizontales en los formantes, las resonancias del tractos vocales. Diferentes vocales ("ee" vs "oo") tienen patrones de formantes diferentes. Las consonantes aparecen como ráfagas (oclusivas) o ruido (fricativas). Los modelos ASR aprenden a leer estos patrones tal como lo haría un fonetista.
En la práctica
Dentro del flujo de trabajo de Transcript.you: cuando subes un MP3, FFmpeg lo decodifica a PCM, lo remuestreamos a 16 kHz y luego calculamos el espectrogram mel (80 canales mel, salto de 10 ms). Ese espectrogram es lo que se envía a Whisper. La forma de onda de audio original nunca llega al modelo, solo su representación en espectrogram mel.
Términos relacionados
Lecturas adicionales
Ver la transcripción por IA en acción
Comenzar — gratisÚltima actualización: November 01, 2026
Preguntas frecuentes
What does Mel spectrogram mean in transcription?
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.
Why does Mel spectrogram matter when choosing a transcription workflow?
Mel spectrogram affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply Mel spectrogram 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.