El ASR moderno se basa en redes neuronales entrenadas con miles de horas de audio transcrito: el modelo recibe la señal de voz y produce directamente el texto más probable. Los mejores sistemas funcionan en streaming (transcriben mientras la persona habla), puntúan, normalizan números y fechas y detectan cuándo el hablante ha terminado su turno, algo esencial para que un agente conversacional sepa cuándo responder.
Su precisión se mide con la tasa de error por palabra (WER, word error rate). En condiciones buenas —audio limpio, hablante nativo— los motores actuales cometen pocos errores en español; la precisión cae con ruido de fondo, solapamiento de voces, línea telefónica de baja calidad (el audio telefónico clásico va limitado a 8 kHz) o vocabulario muy específico, como nombres de medicamentos o apellidos poco comunes.
En un agente de voz IA, el ASR es el eslabón del que depende todo lo demás: si transcribe «Juan Pérez» como «Juan Peres», el error se arrastra a la agenda y al resumen. Por eso los sistemas serios piden confirmación de los datos críticos («¿me confirma que su teléfono es el 600 123 456?») en lugar de fiarse de una sola pasada.
Fuera de la conversación en directo, el ASR es también la base de la transcripción de llamadas y de los dictados por voz, y se combina con la síntesis de voz para cerrar el ciclo completo de una conversación hombre-máquina.
También se conoce como
- speech to text
- reconocimiento automático del habla
- STT
- transcripción automática
Términos relacionados
- Agente de voz IAUn agente de voz IA es un programa que mantiene conversaciones telefónicas en tiempo real combinando reconocimiento de voz (ASR), un modelo de lenguaje (LLM) y síntesis de voz (TTS). A diferencia de un IVR de menús, entiende peticiones en lenguaje natural y puede ejecutar acciones como agendar, informar o transferir la llamada.
- Transcripción de llamadasLa transcripción de llamadas es la conversión automática del audio de una conversación telefónica en texto escrito mediante reconocimiento de voz. Permite leer, buscar y analizar el contenido de las llamadas sin necesidad de escucharlas.
- Síntesis de voz (TTS)La síntesis de voz o TTS (text-to-speech) es la tecnología que convierte texto escrito en voz hablada. Los modelos neuronales actuales generan voces con entonación, ritmo y pausas naturales, muy difíciles de distinguir de una locución humana en frases cortas.
- LLM (modelo de lenguaje grande)Un LLM (large language model, modelo de lenguaje grande) es un modelo de inteligencia artificial entrenado con enormes cantidades de texto para comprender y generar lenguaje natural. Es la tecnología que permite a chatbots y agentes de voz entender preguntas abiertas y responder de forma coherente y contextual.