Glosario
El reconocimiento de voz tiene dos modos operativos. Transcripción por lotes procesa una grabación completa después de los hechos: subes un archivo y recibes una transcripción. Tiempo real (o streaming) procesa un flujo de audio en vivo mientras se habla: se utiliza para subtítulos en vivo, asistentes de voz y dictado. Tienen diferentes compromisos y utilizan arquitecturas de modelos distintas, por lo que la elección es importante.
Por qué por lotes es más preciso
La transcripción por lotes tiene acceso al archivo de audio completo antes de producir la salida. El modelo puede usar audio futuro para desambiguar la palabra actual: "I scream" vs "ice cream" se resuelve con el contexto de la siguiente frase. La búsqueda de haz puede ejecutarse con anticipación total. El tiempo real no puede hacerlo: debe comprometerse con el texto dentro de 1-3 segundos de escucharlo, antes de que llegue el resto de la frase. Por eso los sistemas ASR por lotes obtienen consistentemente 2-4 puntos porcentuales más bajos en WER que el tiempo real en el mismo audio.
Cuándo usar cada uno
Por Lotes (archivos grabados): podcasts, conferencias, entrevistas, reuniones (a posteriori), notas de voz, audio archivado. Dondequiera que tengas el archivo y busques la máxima precisión. Esto es lo que hace Transcript.you. Tiempo Real (streaming): subtítulos en vivo durante una reunión/llamada de Zoom, dictado por voz en tu teléfono, asistentes de voz (Siri/Alexa), subtitulado de transmisión en vivo, software de dictado. La latencia es más importante que el último 2% de precisión.
Arquitecturas detrás de cada una
Por lotes, típicamente se utilizan transformadores codificador-decodificador como Whisper — el codificador ve todo el audio a la vez, el decodificador genera texto de forma autorregresiva. El tiempo real utiliza arquitecturas amigables para streaming: RNN-Transducer (RNN-T), modelos basados en CTC con fragmentación VAD, o modelos de atención con ventanas de anticipación limitadas. Los sistemas en tiempo real también son más pequeños y rápidos: no puedes permitirte un modelo de 600M de parámetros que tarda 30 segundos por fragmento.
En la práctica
Dos escenarios. (1) Grabaste un podcast de 60 minutos. Sube el MP3 a Transcript.you (por lotes). 2 minutos después, la transcripción está lista, con una precisión de ~96%. (2) Estás en una llamada de Zoom y quieres subtítulos en vivo. Usa los subtítulos en tiempo real integrados de Zoom o un bot en vivo estilo Otter. Precisión más baja (~92%), pero disponible durante la llamada. Una vez que finaliza la llamada, puedes reprocesar la grabación en modo por lotes para obtener una transcripción más precisa.
Términos relacionados
Transcribir una reunión grabada
Comenzar — gratisÚltima actualización: November 01, 2026
Preguntas frecuentes
What does Real-time vs batch transcription mean in transcription?
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.
Why does Real-time vs batch transcription matter when choosing a transcription workflow?
Real-time vs batch transcription affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply Real-time vs batch transcription on Transcript.you?
Use the related workflow at /zoom-to-text 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.