STTSpeech-to-Text
La conversión que recibe sonido y devuelve letras
- STT (Speech-to-Text, reconocimiento de voz a texto) es la tecnología que recibe una voz y la convierte en letras.
- El sonido no trae espacios en blanco. La máquina tiene que decidir primero dónde termina cada palabra.
- El sonido se corta en trozos muy cortos y se despliega como un dibujo; sobre ese dibujo se eligen letras candidatas y se pulen con el contexto.
- El ruido, la distancia al micrófono, el eco de la sala y varias personas hablando a la vez cambian mucho el resultado.
- Es la pareja que va en la dirección contraria a la conversión de texto a voz.
Contenido
1La analogía
Un panel solar en el tejado recibe la luz que cae del cielo y la convierte en electricidad que se puede usar en casa. La luz no se puede agarrar con la mano y su fuerza cambia todo el tiempo, pero al pasar por el panel se convierte en un número que marca el contador. Si pasa una nube o se posa el polvo sobre la superficie, la misma luz produce mucha menos electricidad, y lo mismo ocurre si el panel mira hacia el lado equivocado.
El reconocimiento de voz a texto es el panel que recibe sonido. Toma algo tan difícil de agarrar como la vibración del aire y lo convierte en letras que se quedan en la pantalla y hasta se pueden buscar. En una habitación silenciosa, con el micrófono cerca, el resultado sale bien; en una calle ruidosa, con el micrófono lejos, la misma frase empeora a ojos vistas.
2En detalle
El sonido no trae espacios
En un texto hay un espacio en blanco entre cada palabra, pero el sonido del habla es una sola línea continua de principio a fin. Por más que se mire la forma de onda, no hay ningún punto marcado como "aquí termina la palabra". Además, las pausas que la gente hace al hablar muchas veces no coinciden con los límites del significado.
Por eso, antes de convertir sonido en letras, la transcripción automática tiene que resolver también hasta dónde llega cada bloque. La misma cadena de sonido puede convertirse en frases completamente distintas según por dónde se corte.
El español añade su propia dificultad: los artículos, las preposiciones y las terminaciones verbales se enlazan sin pausa entre sí, así que fijar los límites solo por el sonido es más difícil. Al final hace falta mirar antes y después para cortar bien.
El sonido se corta y se despliega
El sonido que entra se corta en trozos muy cortos, cada uno mucho más breve que un parpadeo, tan breves que dentro de uno de ellos se puede considerar que el sonido casi no cambia.
En cada trozo se mide cuánta cantidad hay de cada altura de sonido, esa medida se levanta en una columna vertical, y al poner esas columnas una tras otra en el tiempo, el sonido se vuelve un dibujo. Ese dibujo es el espectrograma. La voz humana dibuja en él un patrón bastante distinto para cada sonido del habla, y ese patrón permite adivinar de qué sonido se trata.
La transcripción ocurre sobre ese dibujo. A cada trozo se le da una puntuación según qué letra o fragmento de letra es más probable, y esas puntuaciones se van encadenando en el tiempo hasta formar palabras y frases.
Elige el lado que tiene sentido
Hay muchas palabras que el sonido solo no distingue. En español, "tubo" y "tuvo" suenan igual, y lo mismo pasa con "vaca" y "baca". En esos casos no basta con mirar la puntuación del sonido: también se pesa cuál de las dos opciones tiene sentido puesta junto a lo que viene antes y después.
Por eso el mismo sonido puede acabar escrito con letras distintas según la frase anterior. En cambio, una frase corta y sin contexto se equivoca con más frecuencia, igual que un nombre propio poco común o un término técnico poco usado. Algunos servicios dejan cargar de antemano una lista de palabras esperadas para subir la exactitud.
Lo que sale de aquí no es una única respuesta, sino varios candidatos. Se muestra el más probable, y muchos servicios entregan también cuánta seguridad tienen en esa elección.
El entorno decide el resultado
Igual que la sombra sobre el panel reduce la electricidad que genera, la transcripción se ve muy afectada por las condiciones del sonido: el murmullo de una cafetería, el ruido del aire acondicionado o el eco de una sala con muchas paredes. Cuando el micrófono se aleja, la voz se hace más pequeña mientras el ruido se queda igual, así que el resultado empeora todavía más.
Cuando varias personas hablan a la vez también es difícil. Los sonidos que se superponen quedan superpuestos en el dibujo, así que separar la parte de una sola persona exige un procesamiento aparte, y por eso los servicios de actas de reunión suelen tener una función propia para dividir quién habla en cada momento.
El acento también influye. Lo que se usó mucho durante el entrenamiento se transcribe bien; los acentos regionales, la voz de un niño o alguien que habla muy rápido se equivocan con más frecuencia.
El tiempo real y el procesamiento posterior no son lo mismo
Cuando los subtítulos aparecen al instante en pantalla, el sistema procesa el sonido desde el principio a medida que va llegando. Como tiene que decidir sin saber qué viene después, la letra que acaba de aparecer a veces cambia un momento más tarde.
Procesar un archivo ya grabado permite mirar también el contexto posterior y corregir con eso, así que el resultado es más exacto, aunque haya que esperar a recibirlo. Procesarlo en el propio dispositivo da tranquilidad porque el sonido no sale de ahí; enviarlo a un servidor permite un procesamiento más pesado. Qué camino elegir depende de qué se ponga por delante: exactitud, velocidad o privacidad.
3Con más precisión
El proceso se puede dividir en una parte inicial que corta el sonido en segmentos cortos y extrae sus componentes de frecuencia, una parte central que puntúa unidades de pronunciación a partir de esos componentes, y una parte final que elige la frase según esa puntuación y qué tan natural suena. Antes estas tres partes se construían por separado; ahora se usa mucho un enfoque entrenado de un tirón, que recibe sonido y entrega letras directamente. El rendimiento se mide contando cuánto se aleja el texto transcrito del correcto, por palabra o por letra.
También hay puntos donde la analogía se queda corta. El panel solar entrega electricidad en proporción a la luz que recibe, sin tomar ninguna decisión, pero la transcripción elige en cada instante: ante el mismo sonido puede escribir letras distintas según el contexto, y si no está segura, rellena con la opción que le parece más probable. Por eso que el resultado se lea con fluidez no garantiza que coincida con lo que realmente se dijo, y en un lugar muy ruidoso una palabra completamente equivocada puede colarse como si formara parte natural de la frase.
4Pruébalo
5Malentendidos comunes
Es fácil pensar que basta con silencio para que todo se entienda, pero en realidad los nombres poco comunes, los términos técnicos o un acento poco familiar fallan a menudo incluso en una habitación silenciosa.
Es fácil pensar que es una simple conversión que pasa el sonido a letras tal cual, pero en realidad es el proceso de elegir, entre varios candidatos, la frase que más sentido tiene.
Es fácil pensar que si aparecen los subtítulos es porque se entendió el significado, pero en realidad solo se pasó el sonido a letras; entender el contenido es un paso aparte.
7Resumen en una línea
En resumenLa transcripción de voz a texto convierte el sonido difícil de agarrar en letras, igual que un panel convierte la luz en electricidad, y su resultado depende mucho de las condiciones en las que entra el sonido.
¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02