Glosario de IA · Voz
Reconocimiento de voz
En una frase
El reconocimiento de voz es la rama de la inteligencia artificial que permite a una máquina identificar las palabras que pronuncia una persona y convertirlas en texto o en órdenes. Su nombre técnico es ASR (reconocimiento automático del habla).
También se llama: reconocimiento automático del habla · ASR · reconocimiento del habla · speech recognition
¿Qué es el reconocimiento de voz?
Es la disciplina que enseña a las máquinas a oír. Lleva décadas en desarrollo: los primeros sistemas reconocían dígitos sueltos de una sola persona, y los dictados de los noventa obligaban a entrenar el programa con tu voz y a hablar despacio. Los modelos actuales, basados en redes neuronales entrenadas con enormes cantidades de audio, entienden a cualquier hablante, con acento y a velocidad normal.
Llévalo a tu empresa
Un agente de voz que coge el teléfono
Desde 149 €/mes + IVA
Atiende llamadas 24/7, agenda citas y deja cada llamada apuntada en el CRM.
Ver el agente de vozConviene separar tres conceptos que en español suenan parecido:
| Término | Pregunta que responde |
|---|---|
| Reconocimiento de voz (ASR) | ¿Qué palabras se han dicho? |
| Reconocimiento del hablante | ¿Quién está hablando? |
| Comprensión del lenguaje (NLU) | ¿Qué quiere la persona? |
Cuando el reconocimiento de voz se ofrece como servicio listo para usar, se le llama speech to text. Cuando se aplica a grabaciones para obtener documentos, hablamos de transcripción automática.
Relacionado con este término
UTIO Voice
- 500 minutos y un número incluidos
- Conversación natural en 26 idiomas
- Se presenta como asistente virtual
- Prueba de 14 días sin tarjeta
Desde 149 €/mes + IVA
Ver el agente de vozCómo funciona
El reconocimiento de voz moderno combina dos tipos de conocimiento:
- Acústico. Qué sonidos corresponden a qué fragmentos de palabras, aprendido de miles de horas de voz con su texto.
- Lingüístico. Qué secuencias de palabras son probables en un idioma. Por eso distingue «haya» de «halla» según la frase.
Hoy ambas cosas suelen ir en un único modelo de extremo a extremo: entra audio, sale texto. Su calidad se mide con la tasa de error de palabras (WER), y varía mucho según el ruido, el micrófono, el acento y el vocabulario. El audio telefónico es de los más difíciles, porque la línea recorta frecuencias de la voz.
Ejemplo
Una cooperativa agrícola de Almería recibe llamadas de socios que preguntan por liquidaciones y entregas. Muchos hablan con acento cerrado y vocabulario del campo. Al probar un sistema de reconocimiento de voz, la cooperativa comprueba que entiende bien las frases generales pero falla con nombres de variedades de tomate. La solución es añadir esas palabras como vocabulario propio y hacer que el sistema repita el dato clave antes de seguir: «¿Me confirma, variedad Raf?».
Reconocimiento de voz en UTIO
El agente de voz de UTIO usa reconocimiento de voz en tiempo real en cada llamada. Entiende frases normales, interrupciones y acentos, y no obliga a pulsar teclas ni a hablar despacio. Con eso alimenta al modelo de lenguaje, que decide qué responder y qué acción tomar: reservar, cualificar, tomar un aviso o transferir.
La transcripción corre en servidores propios de UTIO y las transcripciones se guardan en España junto a cada llamada en el CRM. El agente conversa en 26 idiomas.
Preguntas frecuentes
¿Reconocimiento de voz es lo mismo que reconocer quién habla?
No. El reconocimiento de voz identifica qué se dice. Saber quién lo dice es el reconocimiento del hablante o biometría de voz, que se usa para verificar identidades. Son tecnologías distintas, aunque el nombre en español se preste a confusión.
¿Reconocer la voz es lo mismo que entender lo que se pide?
Tampoco. El reconocimiento de voz convierte el sonido en palabras. Entender la intención de esas palabras, por ejemplo que «quería mover lo del martes» significa cambiar una cita, es trabajo de la comprensión del lenguaje natural y del modelo de lenguaje.
¿Por qué falla con algunos nombres o números?
Porque el modelo elige la secuencia de palabras más probable. Un apellido poco común o un número de pedido no siguen patrones habituales. Se mejora dando al sistema listas de palabras propias y pidiendo confirmación en voz alta.
Términos relacionados
- Speech to text
Speech to text (STT) es la tecnología que convierte el audio hablado en texto escrito. Es la pieza de software, normalmente un modelo accesible por API, que «escucha» en un voicebot, un dictado o un sistema de transcripción, ya sea en tiempo real o sobre grabaciones.
- Transcripción automática
La transcripción automática es el proceso de convertir una grabación de audio o vídeo en un texto escrito sin que nadie lo teclee, usando reconocimiento de voz. Suele incluir puntuación, marcas de tiempo e identificación de quién habla en cada momento.
- Voicebot
Un voicebot es un programa que conversa por voz: escucha lo que dice una persona, entiende qué quiere y le responde hablando. Puede funcionar en una llamada, una web, una app o un altavoz, y con IA generativa mantiene conversaciones abiertas, no solo menús.
- NLU
El NLU (comprensión del lenguaje natural) es la parte del NLP que se ocupa de entender el significado de un mensaje: qué quiere la persona (su intención) y qué datos concretos aporta (entidades como fechas, nombres o productos).
- Red neuronal
Una red neuronal artificial es un modelo matemático formado por capas de unidades conectadas, llamadas neuronas, que transforman una entrada numérica en una salida. Aprende ajustando el peso de cada conexión a partir de ejemplos.
Actualizado el