Glosario

Transcripción de audio

¿Qué es Transcripción de audio?

La transcripción de audio convierte el habla de una grabación en texto escrito. Los sistemas modernos de reconocimiento automático del habla añaden también puntuación, distinguen entre hablantes y a veces incluyen marcas de tiempo. Se usa para actas de reuniones, entrevistas, subtítulos o la documentación de llamadas con clientes. La calidad depende mucho del sonido, el acento y el vocabulario técnico; en conversaciones con datos personales hay que tener en cuenta el consentimiento y la protección de datos.

Temas

Reconocimiento de voz
Audio
Acta

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Reconocimiento de voz (voz a texto)

El reconocimiento de voz, también llamado ASR (Automatic Speech Recognition), convierte automáticamente el habla en texto escrito. Los sistemas modernos usan redes neuronales entrenadas con grandes cantidades de grabaciones y se manejan bastante bien con acentos y ruido de fondo. Se usa en dictado, subtítulos, asistentes de voz o la transcripción de reuniones y llamadas con clientes. Los términos técnicos, los nombres propios y el audio de mala calidad siguen siendo fuentes de error habituales.

ASR
audio
+1

Whisper

Whisper es un modelo de reconocimiento automático del habla que OpenAI publicó en septiembre de 2022. Convierte en texto el habla de muchos idiomas y también puede traducir grabaciones al inglés. Su código y sus pesos están bajo la licencia de código abierto MIT, así que puedes ejecutar Whisper en tu propio hardware, una ventaja si los datos de audio no deben salir de tu empresa. Se usa, por ejemplo, para transcribir reuniones y entrevistas o crear subtítulos.

Reconocimiento de voz
Código abierto
+1

Texto a voz (TTS)

La conversión de texto a voz (text-to-speech) transforma un texto escrito en habla y es, por tanto, lo contrario del reconocimiento de voz (voz a texto). Los sistemas actuales usan redes neuronales para generar voces naturales con una entonación adecuada. Se utiliza, por ejemplo, en locuciones telefónicas, navegadores GPS, funciones de lectura en voz alta para webs accesibles y asistentes de voz.

Voz
Audio
+1