¿Qué es el STT?

Un motor de STT recibe audio, extrae de él unidades de habla y elige la secuencia de palabras más probable según el idioma y el contexto. Los modelos modernos funcionan en modo streaming (para diálogos en tiempo real) o por lotes (para transcribir grabaciones). La precisión depende de la nitidez del audio, el idioma y el acento, el vocabulario del sector y si los interlocutores están separados por canal.

El STT es la base de dos grandes escenarios. En el análisis de conversaciones produce la transcripción sobre la que funcionan la diarización, las métricas, los temas y la búsqueda. En los agentes de voz convierte en tiempo real el habla de la persona que llama en texto, que luego comprende el modelo de lenguaje: sin un reconocimiento rápido y preciso, el diálogo en vivo es imposible.

Los motores de reconocimiento se diferencian en idiomas, precisión, latencia y coste, por lo que se eligen distintos según la tarea. Para algunos escenarios importa más la latencia mínima, para otros la máxima precisión o un precio bajo con grandes volúmenes, y a veces la posibilidad de reconocer de forma local sin enviar el audio al exterior.

La precisión del STT también puede mejorarse con técnicas de procesamiento: separación de interlocutores por canal, reducción de ruido, recorte de silencios antes del reconocimiento. La fiabilidad de toda la analítica posterior depende directamente de la calidad de este paso, ya que los errores de reconocimiento se trasladan a las métricas, los temas y los datos extraídos.