Reconocimiento y síntesis del habla
El reconocimiento del habla permite usar la voz como entrada y hacer el audio accesible o fácil de buscar. Combinado con el procesamiento del lenguaje, el texto transcrito puede activar una búsqueda o una orden; una etapa de síntesis puede decir la respuesta.
Texto revisado el
← Volver a los 7 pilares
Cuándo surgió
La investigación en reconocimiento del habla precede a los asistentes actuales. IBM presentó el prototipo Shoebox en 1961: reconocía dígitos y un pequeño conjunto de órdenes habladas. Era una demostración de vocabulario limitado, no una conversación libre. Métodos posteriores mejoraron el tratamiento del habla continua y la variación de voces.
Qué es
El reconocimiento del habla convierte audio hablado en texto. La síntesis del habla hace el camino inverso, de texto a audio. Estas tareas de audio pueden combinarse con el PLN, pero tienen desafíos propios de señal, ruido, acentos y voz.
Cómo funciona
Un micrófono convierte el habla en señal digital. El sistema extrae características del audio, estima secuencias probables de sonidos y palabras y produce una transcripción. Puede funcionar después de grabar o mientras alguien habla, con resultados provisionales. La síntesis va en sentido inverso, del texto al audio; identificar al hablante es otra tarea.
Para qué sirve
El reconocimiento del habla permite usar la voz como entrada y hacer el audio accesible o fácil de buscar. Combinado con el procesamiento del lenguaje, el texto transcrito puede activar una búsqueda o una orden; una etapa de síntesis puede decir la respuesta.
Dónde se utiliza
Los subtítulos, transcripciones de reuniones, dictado, atención telefónica y comandos de voz son aplicaciones. Para crear subtítulos, el servicio recibe audio y devuelve segmentos de texto con tiempos; una persona revisa nombres y pasajes inciertos.
Límites y cuidados
Reconocer palabras, identificar a quien habla y generar una voz son tareas diferentes. El ruido, los acentos, micrófonos deficientes y vocabulario especializado aumentan los errores. Una transcripción puede omitir una negación o confundir nombres; las decisiones importantes deben comprobar el audio original y las grabaciones requieren cuidado con la privacidad.