LesskeysGlosario de voz a texto
El software de voz usa muchos términos especiales, y algunos significan cosas distintas según el fabricante. Esta página explica qué significa cada uno aquí.
Palabras que usamos en este sitio de una forma concreta o poco habitual, y lo que significan cuando las empleamos.
A
- ASR (reconocimiento automático del habla)
El nombre general del software que convierte la voz en texto. Whisper es uno de esos sistemas. «Voz a texto» significa lo mismo en el uso corriente.
D
- Dictado
- Hablar en lugar de escribir, de modo que las palabras aparezcan en la app que ya estás usando. Es en directo y breve. Se contrapone a la transcripción, que convierte en texto una grabación ya existente.
H
- Atajo de teclado
Una combinación de teclas que funciona en todas partes, no solo dentro de una app. Lesskeys usa una para iniciar y detener el dictado, así que nunca tienes que cambiar de ventana para hablar.
O
- En el dispositivo
El trabajo se hace en el ordenador que tienes delante, no en el servidor de una empresa. En dónde se hace el procesamiento, y por eso se puede comprobar: desconecta la red y sigue funcionando.Lesskeys significa que la grabación, el modelo de voz y el texto final se quedan en tu ordenador. Es una afirmación sobre
S
- Separación de hablantes
- Averiguar quién habló, y cuándo, en una grabación con más de una voz. Es un trabajo distinto de la transcripción: la transcripción responde a la pregunta de qué se dijo; la separación de hablantes, a la de quién lo dijo. Se combinan para obtener una transcripción con un nombre junto a cada línea.
- Audio del sistema
- El sonido que reproduce tu ordenador, a diferencia del que capta tu micrófono. Grabar el audio del sistema junto con el micrófono recoge los dos lados de una llamada sin que nada se una a la reunión.
T
- Transcripción
- Convertir en texto escrito una grabación que ya existe: una llamada, una entrevista, un vídeo. A diferencia del dictado, ocurre a posteriori y suele implicar a más de un hablante.
V
- Perfil de voz
Un resumen guardado de cómo suena una voz concreta, que sirve para reconocer a la misma persona en grabaciones distintas. Lesskeys guarda los perfiles de voz en tu ordenador y en ningún otro sitio.
W
- WER (tasa de error de palabras)
- Cómo se mide la precisión. Cuenta las palabras en las que un sistema se ha equivocado (sustituidas, omitidas o añadidas) como porcentaje de las palabras realmente pronunciadas. Cuanto más bajo, mejor, y un WER del 2,5 % significa más o menos una palabra errónea de cada cuarenta.
Whisper Una familia de modelos abiertos de reconocimiento de voz que pueden funcionar en un equipo corriente, incluido un benchmark.Mac o un PC conWindows . Hay varios tamaños; más grande no es automáticamente mejor, como midió nuestro propio
Respuestas rápidas
¿Qué significa realmente «en el dispositivo»?
Que el procesamiento ocurre en tu propio ordenador y no en el servidor de una empresa. La prueba práctica es sencilla: desconecta la red. Si sigue funcionando, es en el dispositivo.
¿Es lo mismo dictado que transcripción?
No. El dictado es en directo: hablas y las palabras aparecen donde estás escribiendo. La transcripción convierte en texto una grabación que ya existe, normalmente con más de un hablante.
¿Qué es una buena tasa de error de palabras?
Depende del audio, y por eso una sola cifra engaña. Con voz limpia, los mejores modelos actuales rondan el 2–3 %, es decir, más o menos una palabra errónea de cada cuarenta. Con audio difícil (voces superpuestas, acentos marcados, una sala con mala acústica) todos los sistemas lo tienen mucho peor.