Reconocimiento de voz (ASR, voz a texto)

El reconocimiento de voz, también llamado ASR o voz a texto, convierte el audio hablado en texto escrito.

  • Modelos y arquitectura
  • Actualización

Un modelo ASR escucha una grabación o una transmisión en directo y escribe una transcripción, a menudo con marcas de tiempo y puntuación y, en algunos modelos, etiquetas de hablante. Algunos modelos transcriben archivos ya terminados, mientras que los modelos en streaming emiten texto mientras hablas y te permiten sacrificar un poco de retardo por precisión. Muchos también traducen o transcriben docenas de idiomas.

La precisión se suele informar como tasa de error de palabras en conjuntos de prueba públicos que rara vez se parecen a tu audio, así que los acentos, el ruido de fondo y las palabras del dominio pueden cambiar mucho los resultados. Whisper también puede escribir texto que nunca se dijo, así que revisa las transcripciones que importen.

Términos relacionados

  • Tasa de error de palabras (WER) La tasa de error de palabras es la puntuación estándar del reconocimiento de voz: la proporción de palabras de una transcripción que están mal, faltan o sobran frente a una referencia correcta.
  • Diarización de hablantes (etiquetas de hablante) La diarización determina quién habló y cuándo en una grabación, y etiqueta cada tramo de habla con un hablante, como Hablante 1 y Hablante 2.
  • Síntesis de voz (TTS) Los modelos de síntesis de voz convierten texto escrito en audio hablado, y muchos pueden copiar una voz a partir de una muestra breve.

Todos los términos