Puntos clave
No existe un número único de precisión, y cualquier cifra que hayas visto describe un sistema medido sobre una grabación concreta. Un audio limpio con una sola persona hablando y una conversación grupal con ruido de fondo quedan tan alejados entre sí que ningún porcentaje cubre ambos casos. Lo que determina tu resultado es la grabación misma: la distancia del micrófono, el ruido de fondo, las voces superpuestas, la cobertura de acentos. Los errores también se agrupan, así que la mayor parte de una transcripción se lee bien mientras que los nombres, la jerga, los números y los cruces de voces fallan. Para encontrar un momento concreto, eso no es problema. Para citar textualmente, hay que revisar cada línea contra el audio.
Seguramente has visto alguna vez un porcentaje asociado a una herramienta de transcripción. Es una medición real de algo. Lo que no mide es lo que pasará cuando le entregues tu propia grabación, y tratarlo como una promesa es la forma más segura de llevarse un chasco en el peor momento posible.
La pregunta útil no es qué tan precisa es la transcripción automática en general. Es si la transcripción que vas a recibir será suficientemente buena para lo que realmente necesitas hacer con ella. Son preguntas distintas con respuestas distintas, porque el mismo archivo puede ser perfectamente válido para localizar un momento e inútil por completo para citarlo textualmente.
Una cifra de precisión mide una grabación, no un sistema
Cualquier dato de precisión es el resultado de probar un sistema concreto con un audio concreto. Cambia el audio y el número cambia con él. Eso no es un defecto de la medición. Es, sencillamente, lo que la medición es.
Imagina los dos extremos. Una persona hablando cerca del micrófono, en una habitación silenciosa, con un acento ampliamente representado, sobre temas cotidianos. Eso se transcribe muy bien. Ahora imagina a cuatro personas alrededor de una mesa, con el aire acondicionado encendido, hablando unas encima de otras, usando expresiones técnicas de su propio sector, dos de ellas a metro y medio del teléfono. Eso se transcribe mucho peor. Ambas son mediciones honestas del mismo sistema. Ningún número puede describir las dos a la vez, y la diferencia entre ellas es tan grande que ni siquiera promediarlas tiene sentido.
Así que cuando veas una cifra sin el audio sobre el que se midió, lo importante es justamente lo que falta. En realidad solo has aprendido que alguien probó algo. La referencia que te importa es tu propio material. Coge unos minutos de una grabación parecida a las que realmente usas, pásala por la herramienta y lee el resultado comparándolo con el audio. Eso te dirá más que cualquier cifra publicada, y te llevará menos tiempo que leer artículos comparativos.
La grabación cambia el resultado más que el software
Mucha gente elige herramienta comparando cifras de precisión. Para la mayoría de las grabaciones, esa no es la parte del problema que hay que atacar. Las condiciones en las que se capturó el audio afectan al resultado mucho más que la elección del motor de transcripción.
- Distancia del micrófono. Cada centímetro adicional de distancia trae más habitación y menos voz. Un teléfono sobre la mesa entre dos personas produce una grabación distinta a la de un teléfono colocado frente a una sola de ellas.
- Ruido de fondo. Tráfico, una cafetería, ventiladores, teclados. El ruido no se queda detrás de la voz, compite con ella, y las palabras que pierden esa pelea son las más suaves, las que van al final de las frases.
- Voces superpuestas. Cuando dos personas hablan a la vez, no hay una señal limpia que transcribir. Algo se va a escribir, y muchas veces será una mezcla de las dos voces.
- Cobertura de acentos. Algunos acentos están mucho mejor representados que otros en los datos con los que se entrenaron estos sistemas, y los que están peor representados obtienen peores resultados incluso con audio igual de limpio.
Las herramientas sí son distintas entre sí, y si tu material tiene siempre el mismo tipo de dificultad, probar varias vale la tarde que te va a costar. Pero la diferencia entre dos herramientas razonables con el mismo audio suele ser menor que la diferencia entre un audio bueno y uno malo con la misma herramienta. Acercar el micrófono unos centímetros da más resultado que cambiar de aplicación. Si quieres entender qué hace el software con lo que le entregas, cómo funciona la transcripción con IA explica por qué estas condiciones concretas importan tanto.
Los errores no se reparten de forma uniforme
Esta es la parte que sorprende a la gente, y es más importante que la cifra grande que se anuncia. Los errores se agrupan. La mayor parte de una transcripción sale limpia, y los fallos se concentran en unos pocos lugares previsibles: nombres propios, vocabulario técnico, números y cualquier momento en que la gente habla a la vez.
Piensa en lo que eso significa al leer el resultado. Una página de conversación normal se transcribe bien y se lee con fluidez. Entonces llega un apellido, o el nombre de un producto, o una cifra, y sale mal. Nada en la página marca la diferencia. La palabra equivocada aparece con la misma seguridad tipográfica que las correctas, rodeada de frases bien escritas, que es justo el contexto que hace que un error parezca creíble. Una transcripción puede leerse de maravilla y estar equivocada precisamente en los puntos que pensabas usar.
Hay una razón por la que esas categorías fallan juntas. Las palabras corrientes están limitadas por todo lo que las rodea, así que un sistema que se equivoca al oír una puede corregirse gracias al contexto. Un nombre no tiene esa limitación; casi cualquier sonido podría ser el nombre de alguien, y la gramática no ofrece ninguna pista para descartar una suposición equivocada. La jerga especializada tiene el mismo problema, con la dificultad añadida de que una palabra común a menudo suena lo bastante parecida como para sustituir al término técnico. Los números son el caso más delicado, porque una diferencia acústica mínima produce un valor completamente distinto y la frase se lee igual de bien de cualquiera de las dos formas.
La puntuación es una suposición sobre dónde termina cada frase
La puntuación automática no es transcripción. Es una deducción a partir de las pausas, la entonación y el ritmo sobre dónde termina una idea y empieza la siguiente. La mayoría de las veces la suposición es correcta, o lo bastante correcta como para que nadie lo note.
Cuando se equivoca, el sentido cambia. Un punto colocado en mitad de una frase puede separar una matización de aquello que matizaba, de modo que una afirmación con reservas se vuelve una afirmación rotunda y un condicional se convierte en un hecho. Cada palabra individual puede estar bien y, aun así, la frase puede decir algo que la persona nunca dijo. Ese tipo de error es invisible en el papel, porque no hay nada que llame la atención. No se puede detectar releyendo la transcripción. Solo el audio lo resuelve.
Las etiquetas de interlocutor tienen una debilidad parecida. Suelen ser correctas mientras una persona habla durante un rato largo, y menos fiables justo en los cambios de turno, que es donde una interjección corta puede quedar asignada a la persona equivocada. Si vas a sacar una cita cerca de un cambio de interlocutor, es una línea que conviene volver a escuchar.
Define el nivel de exigencia según el uso que le vas a dar
La pregunta no es si una transcripción es precisa. Es si es lo bastante precisa para lo que necesitas, y eso varía mucho más de lo que la gente espera.
Si usas la transcripción para encontrar algo, los errores sueltos no importan. Buscaste una palabra, llegaste cerca del minuto correcto, reprodujiste el audio. La transcripción cumplió su función aunque tres líneas más arriba haya un nombre mal escrito. Lo mismo pasa si repasas rápidamente una hora de grabación para decidir qué veinte minutos merecen tu atención, o si simplemente conviertes un audio grabado en texto para leerlo más rápido de lo que tardarías en escucharlo.
Si la transcripción se va a citar, publicar, archivar o si alguien que no estuvo en la sala va a confiar en ella, el nivel de exigencia es otro y no admite rebajas. Cada línea que vayas a usar se comprueba contra el audio, una por una. No basta con leer todo el documento de cabo a rabo; hay que escuchar de forma puntual cada pasaje citado, porque los fallos descritos antes son precisamente los que una lectura rápida no detecta. Esto se aplica con especial fuerza a cualquier frase en la que un número o un nombre sostenga el peso del mensaje.
Para un documento de trabajo, usar una aplicación es la opción más práctica. SozAI, disponible para iOS, Android y macOS, convierte grabaciones, archivos de audio y video y enlaces de YouTube en texto con etiquetas de interlocutor, resúmenes y traducción a más de 99 idiomas, y aun así conviene comprobar las citas contra el audio, igual que con cualquier otro resultado automático.
Cuando la transcripción en sí es lo que se va a entregar, los servicios de transcripción humana son la respuesta adecuada. Cuestan más porque una persona se sienta a escuchar, y eso es exactamente lo que estás pagando: alguien que oye el nombre y lo escribe bien, que sabe dónde termina realmente la frase, que marca el pasaje genuinamente inaudible en lugar de adivinarlo. Si un cliente, un tribunal, un archivo o una publicación va a recibir ese documento, ese coste adicional compra algo real. Si la transcripción es una herramienta que usas en privado para llegar más rápido al audio, ese coste compra algo que no necesitas.
Grabar de nuevo vale más que una hora corrigiendo
Mejorar la captura casi siempre sale más barato que mejorar el resultado después. Diez minutos dedicados a acercar el micrófono, cerrar una ventana, apagar el ventilador y pedir que la gente hable de uno en uno ahorran más trabajo que una hora corrigiendo texto más tarde, y el resultado es mejor que el de la corrección, porque una transcripción corregida solo es tan buena como la paciencia que te quede al final.
Esto es más fácil de aplicar cuando la situación se repite. Si grabas habitualmente el mismo tipo de conversación, una sola vez que dediques atención a cómo lo preparas mejora todo lo que grabes a partir de entonces. Importa especialmente en las entrevistas, donde el material muchas veces es irrepetible y las citas son todo el asunto; los aspectos prácticos de transcribir entrevistas son en gran medida aspectos prácticos de cómo se grabaron.
A veces no hay segunda oportunidad. La conversación ocurrió una sola vez, el teléfono estaba en un bolsillo, y ese es el audio que tienes. En ese caso, lo honesto es dejar de esperar que el software lo arregle y reservar tiempo para corregir a mano, o encargárselo a una persona. Un audio difícil no se vuelve fácil porque lo necesites así.
Qué esperar cuando abras el archivo
Espera un texto fluido y legible con un puñado de sustantivos equivocados. Espera que los pasajes donde la gente habló a la vez salgan pobres, confusos o directamente ausentes. Espera decisiones de puntuación que tú no habrías tomado, y etiquetas de interlocutor que en general son correctas y poco fiables justo en los cambios de turno. No esperes avisos, ni resaltados, ni marcas de incertidumbre. El documento se verá igual de seguro de sí mismo de principio a fin, y no será igual de correcto de principio a fin.
Espera que los nombres y los términos especializados necesiten una revisión sin importar lo limpia que fuera la grabación. Esos también fallan con buen audio, solo que con menos frecuencia.
Y conserva el audio. Una transcripción automática no puede verificarse a sí misma, y todas las comprobaciones que importan pasan por escuchar. Una transcripción que conserva la grabación detrás es una herramienta de trabajo fiable. Una transcripción sin la grabación es un documento que nadie puede comprobar, ni siquiera tú.
