Reconocimiento de voz (voz a texto)

El reconocimiento de voz o voz a texto (automatic speech recognition, ASR) transforma audio hablado en texto. Es lo que hace tu teléfono cuando dictas un mensaje, lo que genera subtítulos automáticos en videos y lo que permite transcribir una junta.

Los sistemas modernos usan redes neuronales que reciben el audio, generalmente convertido en una especie de «imagen» de frecuencias (espectrograma), y predicen las palabras más probables. Un ejemplo influyente es Whisper, de OpenAI, cuyo artículo de 2022 describe un entrenamiento con 680,000 horas de audio multilingüe recolectado de la web; ese volumen lo hizo robusto ante acentos y ruido de fondo, y se publicó con pesos abiertos.

Es el proceso inverso del texto a voz. No hay que confundirlo con el reconocimiento del hablante (identificar quién habla, una forma de biometría) ni con la comprensión: transcribir no es entender. Para responder a lo que dijiste, el texto se pasa después a un modelo de lenguaje.

Sus fallas típicas: nombres propios, términos técnicos, varias personas hablando a la vez, ruido y acentos o lenguas poco representadas en los datos de entrenamiento (las lenguas indígenas de México siguen teniendo mucho menos soporte que el español). Los modelos también pueden «inventar» frases en silencios, un tipo de alucinación. En contextos médicos o legales, la transcripción siempre debe revisarla una persona.