Glosario de IA · Voz
Speech to text
En una frase
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.
También se llama: STT · voz a texto · conversión de voz a texto · ASR
¿Qué es speech to text?
«Speech to text» significa literalmente «de voz a texto», y se abrevia STT. Es la pieza que da oído a una máquina. Le das audio, de un micrófono o de una llamada, y te devuelve palabras escritas, a menudo con puntuación y con la marca de tiempo de cada palabra.
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 vozTres términos se confunden a menudo:
- Speech to text: el componente o servicio concreto que convierte audio en texto.
- Reconocimiento de voz: la disciplina técnica que hay detrás, también llamada ASR.
- Transcripción automática: el uso final, convertir grabaciones en documentos legibles.
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
Un STT moderno trabaja en tres pasos:
- Prepara el audio. Lo trocea en fragmentos muy cortos y los convierte en una representación numérica del sonido.
- Reconoce. Un modelo de red neuronal, entrenado con miles de horas de voz, estima qué palabras corresponden a ese sonido teniendo en cuenta el contexto.
- Da formato. Añade puntuación, mayúsculas y números («veintitrés» pasa a «23»).
Hay dos modos de uso:
| Modo | Cómo trabaja | Para qué |
|---|---|---|
| Streaming (tiempo real) | Devuelve texto parcial mientras se habla | Agentes de voz, subtítulos en directo |
| Por lotes | Procesa el audio completo de una vez | Grabaciones, actas, notas de voz |
En un voicebot, el STT en streaming es el primer eslabón de la cadena y una de las fuentes de latencia. Tiene que decidir rápido cuándo ha terminado de hablar la persona, sin cortarla. El paso contrario, de texto a voz, lo hace el text to speech.
Ejemplo
Una empresa de mantenimiento de ascensores de Barcelona quiere que sus técnicos dejen de rellenar partes a mano. Ahora, al terminar cada visita, el técnico dicta en el móvil lo que ha hecho. Un servicio de STT lo convierte en texto y el sistema lo coloca en el parte. El técnico solo revisa y firma. El cambio clave es que el STT entiende el vocabulario técnico si se le da una lista de términos propios, como modelos de motor o piezas.
Speech to text en UTIO
En el agente de voz de UTIO, el STT funciona en tiempo real durante cada llamada: así el agente entiende frases normales, interrupciones y acentos sin obligar a pulsar teclas. La transcripción va incluida en el minuto, junto con el modelo, la voz y la telefonía, y corre en servidores propios. Las transcripciones se guardan en España y quedan en el CRM con cada llamada.
Si eres desarrollador, la API de IA ofrece transcripción de llamadas y audios a texto, con el idioma detectado.
Preguntas frecuentes
¿Qué diferencia hay entre speech to text y reconocimiento de voz?
En la práctica se solapan. Reconocimiento de voz es el nombre del campo de investigación; speech to text es el nombre de la función o el producto que entrega el texto. Cuando un proveedor vende un servicio de «STT», vende reconocimiento de voz empaquetado.
¿Qué es mejor, STT en tiempo real o por lotes?
Depende del uso. En una conversación, como un agente de voz, necesitas tiempo real: el texto llega mientras la persona habla. Para transcribir grabaciones, el procesado por lotes suele ser más preciso porque el modelo ve el audio completo.
¿Cómo se mide la calidad de un STT?
Con la tasa de error de palabras (WER): el porcentaje de palabras mal reconocidas, omitidas o añadidas frente a una transcripción de referencia. Conviene medirla con tu propio audio, porque cambia mucho con el ruido, el acento y el vocabulario.
Términos relacionados
- Reconocimiento de voz
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).
- 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.
- Text to speech
Text to speech (TTS) es la tecnología que convierte un texto escrito en voz hablada. Es el componente, normalmente un modelo accesible por API, que pone voz a un agente telefónico, a un lector de pantalla o a un audio generado a partir de un texto.
- 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.
- Latencia
La latencia es el tiempo que pasa entre que haces una petición y empiezas a recibir la respuesta. En un agente de voz es el silencio desde que el cliente deja de hablar hasta que oye la primera palabra del agente, y decide si la conversación suena natural.
Actualizado el