Speech-to-text
El speech-to-text (voz a texto), también llamado reconocimiento automático del habla (ASR), es software que convierte audio hablado en texto escrito. Está detrás de la transcripción, los subtítulos, los comandos de voz y la parte que escucha en los agentes de voz.
También llamado: ASR, automatic speech recognition, transcription, STT
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Un modelo de speech-to-text recibe audio, normalmente dividido en tramos cortos, y devuelve las palabras que oye, a menudo con marcas de tiempo. Es el primer paso de las notas de reuniones, las transcripciones de podcasts, los subtítulos, la analítica de llamadas y cualquier agente de voz.
Cómo funciona
Los modelos de ASR modernos son redes neuronales entrenadas con grandes cantidades de audio y texto emparejados. Whisper de OpenAI es un ejemplo conocido: se entrenó con 680.000 horas de audio y transcripciones de la web, y maneja muchos idiomas sin fine-tuning específico para cada tarea. Puedes ejecutarlo tú mismo con openai-whisper o con variantes más pequeñas como Whisper large v3 turbo.
Qué comparar
La tasa de error por palabra con audio parecido al tuyo, la velocidad, el soporte de streaming para uso en directo, la cobertura de idiomas, la puntuación y el precio por minuto. Las puntuaciones de benchmark con audio limpio pueden parecer mucho mejores que los resultados con llamadas telefónicas ruidosas.
Términos relacionados
El ASR te dice qué se dijo. La diarización de hablantes te dice quién lo dijo, y muchas herramientas de transcripción combinan ambas. La dirección inversa es el text-to-speech.
Límites
Los acentos, las conversaciones cruzadas, el ruido de fondo y la jerga de un dominio aumentan la tasa de error. Algunos modelos también inventan palabras durante silencios o música, una forma de alucinación.
Términos relacionados
- Text-to-speech
- El text-to-speech (TTS, texto a voz) es software que convierte texto escrito en audio hablado. El TTS moderno usa redes neuronales que predicen el sonido del habla a partir del texto y luego lo generan como forma de onda.
- Diarización de hablantes
- La diarización de hablantes (speaker diarization) es la tarea de dividir una grabación de audio por hablante, etiquetando cada tramo de habla con quién lo dijo. Responde a la pregunta "quién habló y cuándo".
- Agente de voz
- Un agente de voz (voice agent) es un agente de IA que mantiene una conversación hablada en tiempo real: escucha a una persona, decide qué decir o hacer y responde con una voz sintética, a menudo por una línea telefónica o en una app.
- Modelo speech-to-speech
- Un modelo speech-to-speech (de voz a voz) recibe audio hablado y produce audio hablado directamente, sin convertir antes la voz en texto y de vuelta. Se usa para conversación por voz en directo y para traducción.
- Alucinación (IA)
- Una alucinación es una salida de un modelo de IA que suena fluida y segura, pero que es falsa, no está respaldada por sus fuentes o es inventada, como una cita bibliográfica, una frase, una estadística o una función de API que no existen.