Glosario en lenguaje sencillo de términos de transcripción y subtitulado

¿Qué términos describen el paso de voz a texto?

El reconocimiento automático del habla (ASR, por sus siglas en inglés) es la tecnología que pasa el audio hablado a texto escrito. En el día a día se lo suele llamar voz a texto (speech-to-text). La transcripción abarca el trabajo completo: el texto resultante donde, además de las palabras reconocidas, suelen figurar los hablantes, los tiempos y la puntuación.

Un modelo es el sistema ya entrenado que hace el reconocimiento, y los datos de entrenamiento son los audios y textos con los que aprendió. El modelo acústico relaciona los sonidos con unidades del habla. El modelo de lenguaje calcula qué tan probable es una secuencia de palabras, lo que ayuda al sistema a elegir una frase con sentido antes que una rara. Hoy en día, muchos sistemas reúnen ambas tareas en un único modelo.

La decodificación consiste en buscar la secuencia de palabras más probable para un fragmento de audio. La puntuación de confianza es un número que el sistema le asigna a su propia estimación; sirve de pista, pero sin dar garantías. Una alucinación es texto fluido que en realidad no estaba en el audio, algo que puede aparecer en los silencios o cuando el sonido es malo. Este es uno de los motivos por los que hay que revisar el texto automático.

¿Qué términos describen la precisión?

La tasa de error de palabras (WER, por sus siglas en inglés) mide una transcripción comparándola con un texto de referencia. Para calcularla, se suman las palabras sustituidas, omitidas o insertadas y se divide ese total por la cantidad de palabras de la referencia. Una sustitución es cambiar una palabra correcta por otra errónea; una omisión (o eliminación) es una palabra que falta, y una inserción es una palabra de más. La tasa de error de caracteres (CER) funciona igual pero cuenta caracteres, y se usa en idiomas o sistemas de escritura donde no hay una separación clara entre palabras.

Una transcripción de referencia es el texto corregido y verificado que se toma como base para medir un resultado. Antes de contar los errores, la normalización iguala el formato de ambos textos para que la comparación sea justa: por ejemplo, quita la puntuación, unifica cómo se escriben los números y empareja la ortografía. Un puntaje WER solo dice algo si se conocen el texto de referencia, las reglas de normalización y el audio de prueba.

Para el cálculo de WER todas las palabras valen lo mismo: comerse un artículo como "el" pesa igual que equivocarse en un apellido. Por eso mucha gente revisa aparte los nombres propios, las cifras y la terminología específica. Aquí no damos ningún porcentaje porque los resultados dependen de la calidad del audio y del idioma.

¿Qué términos se refieren a los hablantes?

La diarización consiste en detectar quién habló y en qué momento para dividir la grabación en turnos según cada participante. Este proceso no identifica qué palabras se dijeron. Una etiqueta de hablante es el nombre o código que se le pone a cada intervención, como "Hablante 1" o el nombre de la persona. Un turno es el tramo seguido en el que habla una sola persona sin interrupciones.

El habla superpuesta se da cuando dos o más personas hablan a la vez, algo que complica tanto reconocer las palabras como separar a los hablantes. La detección de actividad de voz (VAD) ubica las partes del audio donde hay alguien hablando y salta los silencios y el ruido. Por su parte, la tasa de error de diarización (DER) mide cuánto tiempo se le asignó al hablante equivocado, cuánto se pasó por alto o cuánto se detectó por error.

¿Qué términos se usan para los idiomas y la traducción?

La identificación de idioma detecta en qué lengua se está hablando. La alternancia de código (code-switching) se da cuando alguien pasa de un idioma a otro en la misma charla o incluso en la misma frase, como al mezclar hebreo e inglés. Un dialecto es una variante regional o social de un idioma. Por ejemplo, el árabe estándar moderno se usa para escribir y en los medios formales, mientras que en la calle se hablan sobre todo dialectos.

Transliterar es escribir los sonidos de una palabra usando otro alfabeto, como pasar un nombre árabe a letras hebreas; traducir, en cambio, es pasar el significado de un idioma a otro. Los idiomas de derecha a izquierda (RTL), como el hebreo o el árabe, siguen esa dirección de escritura, y esto influye en cómo se ven los subtítulos y documentos cuando se mezclan con palabras en inglés o números.

KolWrite transcribe en más de 100 idiomas, trabaja con audios que mezclan lenguas como el hebreo y el inglés, y traduce entre los idiomas admitidos.

¿Qué términos definen los tiempos y el estilo del texto?

Una marca de tiempo (timestamp) señala en qué momento se dijo algo contando desde que empieza el archivo. Un código de tiempo (timecode) es una etiqueta estándar para identificar un fotograma de video, y suele escribirse en horas, minutos, segundos y fotogramas. Las marcas de tiempo por palabra indican cuándo empieza y cuándo termina cada palabra por separado. Para lograr esa precisión cuando ya se tiene el texto escrito, se usa la alineación forzada, que sincroniza ese texto con el audio.

Una transcripción literal (verbatim) recoge absolutamente todo lo que se dijo, incluidos los inicios en falso, las repeticiones y las muletillas. La transcripción literal limpia (clean verbatim o intelligent verbatim) limpia esas muletillas y arranques fallidos, pero respeta las palabras exactas y lo que quiso decir el hablante. Por otro lado, la restauración de puntuación coloca mayúsculas, puntos y comas en el texto reconocido, y el formato numérico pasa a cifras los números dichos en voz alta.

¿Qué términos se usan para los archivos y subtítulos?

SRT y VTT son formatos de texto plano para subtítulos donde cada línea lleva su tiempo de inicio y de fin. VTT (o WebVTT) es el estándar que se usa en la web y permite elegir la posición y el estilo del texto. En cuanto a los documentos, TXT es texto sin formato, DOCX es un archivo de Word y PDF mantiene un diseño fijo. JSON es un formato de datos estructurados pensado para programas informáticos, donde suelen guardarse las etiquetas de los hablantes y el tiempo de cada palabra.

Los subtítulos descriptivos (captions) están pensados para quienes no pueden oír: muestran tanto los diálogos como los sonidos relevantes. Los subtítulos convencionales (subtitles) transcriben o traducen lo que se dice para quienes sí escuchan el audio pero necesitan leer el texto. Los subtítulos para personas sordas y con dificultades auditivas (SDH) son un formato que suma la identificación de los hablantes y la descripción de los sonidos. Si los subtítulos se guardan en una pista aparte que el usuario puede activar o desactivar, se llaman subtítulos ocultos (closed captions); si quedan grabados de forma fija sobre la imagen del video, se conocen como subtítulos abiertos o incrustados (open o burned-in captions).

¿Qué términos describen el audio y la forma de trabajo?

Un códec es el método que se usa para codificar y comprimir el sonido. Los formatos sin pérdida (lossless), como WAV, guardan intacto todo el detalle del audio original; los formatos con pérdida (lossy), como MP3, descartan parte de la información para que el archivo pese menos. La tasa de bits (bitrate) indica cuántos datos se procesan por cada segundo de audio y, por lo general, cuanto más alta es, más detalle conserva. La frecuencia de muestreo (sample rate) es la cantidad de veces por segundo que se mide el sonido. Por último, el audio mono usa un solo canal y el estéreo usa dos.

La relación señal/ruido (SNR) compara el volumen de la voz con el del ruido de fondo. Una SNR baja es uno de los principales motivos por los que un sistema de reconocimiento comete errores. Por otro lado, el procesamiento por lotes (batch processing) trabaja con grupos de archivos ya grabados, mientras que el reconocimiento en tiempo real (streaming) procesa el audio a medida que entra para usarlo en vivo. KolWrite funciona a partir de grabaciones subidas a la plataforma y no genera subtítulos en vivo durante una llamada.

Un vocabulario personalizado, o glosario, es una lista de nombres propios y términos específicos que se le carga al sistema para que los reconozca mejor. Una API es la conexión que permite a un programa enviar audio y recibir el texto de vuelta. Por último, la revisión (a veces llamada revisión con intervención humana o human-in-the-loop) es la etapa en la que una persona lee y corrige la transcripción automática.