Glosario de IA · Voz
Transcripción automática
En una frase
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.
También se llama: transcripción de audio a texto · transcripción con IA · pasar audio a texto · transcripción de llamadas
¿Qué es la transcripción automática?
Durante años, pasar una reunión o una entrevista a texto significaba horas de escuchar, parar y teclear. La transcripción automática hace ese trabajo en una fracción del tiempo. Por debajo usa reconocimiento de voz, pero no se queda en «sacar palabras»: entrega un documento útil.
Llévalo a tu empresa
La IA de UTIO, por API
Desde 29 €/mes + IVA
Para desarrolladores y agencias que montan sus propios productos.
Ver el API de IALo que la distingue de un speech to text en bruto son los añadidos:
- Puntuación y formato, para que se lea como un texto y no como una lista de palabras.
- Diarización: separar quién habla en cada momento («Agente:», «Cliente:»).
- Marcas de tiempo, para saltar al punto exacto del audio.
- Exportación a documento, subtítulos o directamente a tu CRM.
Sobre el texto se pueden aplicar otras técnicas de IA: resumir, extraer tareas o detectar el tono de un cliente.
Relacionado con este término
API de IA
- Transcripción, voz, texto, imagen, OCR y embeddings
- Claves por cliente con tope de gasto
- Monedero prepago: recarga mínima de 50 €
Desde 29 €/mes + IVA Cuenta con panel, más consumo
Ver el API de IACómo funciona
- Subes o capturas el audio. Una grabación de llamada, una nota de voz, un vídeo.
- Se detecta el idioma y se limpia el audio si hace falta.
- El motor de reconocimiento convierte voz en texto, normalmente en modo por lotes, que es más preciso porque ve la grabación completa.
- Se separan hablantes y se da formato.
- Se entrega el resultado en un fichero o, a través de una API, en el sistema que lo necesite.
Ejemplo
Un despacho de abogados de Madrid graba, con consentimiento, las primeras consultas con clientes. Antes, un pasante dedicaba la tarde a pasarlas a limpio. Ahora cada grabación se transcribe automáticamente, separando abogado y cliente, y el texto queda en el expediente. El pasante solo revisa nombres propios y fechas, que es donde más se equivoca la máquina. Buscar «arras» en todas las consultas del mes lleva segundos.
Transcripción automática en UTIO
La API de IA de UTIO incluye transcripción: llamadas y audios a texto, con el idioma detectado, con la misma clave que el resto de capacidades (texto a voz, texto, OCR, embeddings). La autenticación va por cabecera con tu clave del panel, y cada clave lleva tope de gasto y límite de peticiones.
Si lo que quieres es transcribir las llamadas de tu empresa sin programar, el agente de voz ya guarda la transcripción de cada llamada en el CRM, en servidores en España.
Preguntas frecuentes
¿Qué precisión tiene la transcripción automática?
Con audio limpio y un solo hablante, los sistemas actuales cometen pocos errores. Baja con ruido, varias personas hablando a la vez, audio telefónico o vocabulario muy técnico. Para usos legales o médicos conviene una revisión humana.
¿Qué diferencia hay entre transcripción automática y speech to text?
El speech to text es el motor que convierte voz en texto. La transcripción automática es el resultado completo para una persona: el texto de una grabación con formato, separado por hablantes y con tiempos, listo para leer, buscar o archivar.
¿Puedo transcribir llamadas de clientes?
Sí, siempre que cumplas el RGPD: informa al inicio de la llamada de que se graba y para qué, guarda las grabaciones y transcripciones solo el tiempo necesario y firma un contrato de encargado del tratamiento con tu proveedor.
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.
- 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).
- API
Una API (interfaz de programación de aplicaciones) es un conjunto de reglas que permite que un programa pida datos o acciones a otro: envías una petición con un formato acordado y recibes una respuesta, sin necesidad de saber cómo está hecho por dentro.
- Análisis de sentimiento
El análisis de sentimiento es la técnica de IA que detecta el tono emocional de un texto (positivo, negativo o neutro, y a veces emociones como enfado o urgencia) para saber cómo se siente quien escribe sin leerlo todo a mano.
Actualizado el