Voz a Texto

Definición

La conversión de voz a texto (STT) es el proceso de convertir automáticamente el lenguaje hablado en texto escrito mediante modelos de IA. Está estrechamente relacionado con el reconocimiento automático de voz (ASR).

Propósito

El objetivo es que el contenido hablado sea accesible y buscable. Se utiliza ampliamente en transcripción, accesibilidad y asistentes digitales.

Importancia

• Admite accesibilidad para usuarios con problemas de audición.
• Proporciona transcripciones de reuniones y conferencias.
• La precisión depende de los acentos y las condiciones de ruido.
• Se utiliza en casi todas las aplicaciones controladas por voz.

Cómo Funciona

1. Captura de entrada de audio.
2. Preprocesar y normalizar la señal de audio.
3. Aplicar modelos ASR para reconocer palabras.
4. Transcripción del texto de salida.
5. Revisar o corregir con supervisión humana si es necesario.

Ejemplos (mundo real)

• API de conversión de voz a texto de Google Cloud.
• Servicios de voz de Microsoft Azure.
• Transcripción de la reunión de Otter.ai.

Referencias / Lecturas adicionales

• Reconocimiento automático de voz — NIST.
• ISO/IEC 15938-4: Descripción de contenido multimedia.
• Jurafsky & Martin. Procesamiento del habla y del lenguaje.
• ¿Qué es la tecnología de voz a texto y cómo funciona?