Speech to text es software que convierte automáticamente la voz en texto escrito. En español lo llamamos también reconocimiento de voz, transcripción automática o, sin más, pasar de voz a texto. Está en la función de dictado del móvil, en los subtítulos de los vídeos, en las actas de reuniones y, cada vez más, en el teléfono, donde una conversación con un cliente se convierte en un texto en el que se puede buscar.
Este artículo explica cómo funciona speech to text, de qué depende su precisión y para qué lo usan las empresas. En la segunda parte nos centramos en las llamadas de empresa: cómo nuestra plataforma convierte una llamada grabada en una transcripción con resumen y qué conviene tener en cuenta. La función en sí la describe la página de grabación de llamadas.
Qué es speech to text
Speech to text, abreviado STT, es una aplicación de la inteligencia artificial. Un modelo ha aprendido con muchísimas grabaciones de audio y su texto correspondiente cómo suenan las palabras habladas, y por eso las reconoce también en una grabación que no ha oído nunca. El resultado es una transcripción, es decir, la versión escrita de lo que se ha dicho.
La técnica se usa de dos maneras. En el dictado, alguien habla al micrófono y el texto aparece en la pantalla a medida que habla. En la transcripción, el software procesa una grabación terminada, como una reunión, una entrevista o una llamada. Para las llamadas de empresa lo habitual es lo segundo: primero se graba la conversación y después se convierte en texto.
Cómo funciona el paso de voz a texto
Detrás de cada transcripción hay cuatro pasos que el software hace uno tras otro en poco tiempo:
- Preparar la grabación. El audio se divide en tramos cortos y se filtra el ruido en la medida de lo posible.
- Reconocer los sonidos. Un modelo acústico asigna a cada tramo los sonidos más probables.
- Formar palabras y frases. Un modelo de lenguaje une los sonidos en palabras y comprueba qué secuencia tiene más sentido en el contexto. Así distingue, por ejemplo, “haya” de “halla” según la frase en la que aparece.
- Dar forma al texto. El software pone signos de puntuación y mayúsculas y, si está preparado para ello, separa las intervenciones de cada persona.
Los sistemas más recientes hacen los pasos dos y tres dentro de un único modelo. El principio no cambia: el software calcula probabilidades y escribe las palabras que mejor encajan con el sonido y el contexto.
De qué depende la precisión de una transcripción
Hoy el reconocimiento de voz es muy fiable con una pronunciación clara, pero cualquier transcripción puede tener errores. Cuántos depende sobre todo de estos puntos:
- Calidad del audio. Una grabación con ruido, eco o mala conexión es más difícil de entender. Además, una línea telefónica transmite menos frecuencias que un micrófono de estudio.
- Acentos y forma de hablar. Un acento muy marcado, hablar muy rápido o mezclar idiomas en la misma frase aumenta los errores.
- Términos técnicos y nombres. Los nombres de productos, calles y apellidos y las siglas de tu sector se reconocen peor que las palabras de uso diario.
- Personas que hablan a la vez. Cuando dos personas se interrumpen, cualquier sistema tiene problemas.
- Idioma. Los modelos suelen estar mejor entrenados para los idiomas muy extendidos que para los minoritarios.
En la práctica, una transcripción es una base fiable para repasar una conversación y encontrar rápido el momento que buscas. Los nombres, las cifras y los importes, en cambio, compruébalos en la grabación antes de preparar un presupuesto o registrar un pedido con ellos.
Speech to text en la empresa: dictado, reuniones y llamadas
Las empresas españolas usan el paso de voz a texto sobre todo en tres situaciones:
- Dictado. La médica dicta el informe, el asesor fiscal una nota para el expediente y la gerente un correo entre dos reuniones.
- Reuniones y entrevistas. De la grabación de una reunión sale un acta que todos los asistentes pueden leer.
- Llamadas. Las conversaciones de atención al cliente, los pedidos por teléfono y las reclamaciones quedan por escrito, para que el equipo pueda consultar después qué se acordó.
En las llamadas es donde la transcripción ahorra más tiempo. Si quieres saber qué fecha de entrega le dio una compañera a un cliente, buscas “entrega” en el texto en lugar de escuchar veinte minutos de grabación hasta dar con el momento.
Cómo transcribir las llamadas de tu empresa con CallFactory
La transcripción funciona en la misma plataforma que tu número de empresa. No necesitas una grabadora ni un programa propio.
- Activa la grabación de llamadas. Las llamadas entrantes a tu número de empresa se graban en nuestra plataforma cuando usas la grabación de llamadas. La transcripción la activas en el panel, en ese mismo apartado.
- Informa a quien llama. Una frase en tu mensaje de bienvenida avisa de que la llamada se graba. El mensaje lo creas con el asistente de texto a voz a partir de un texto escrito.
- Consulta la transcripción y el resumen. Después de la llamada, la plataforma crea una transcripción y un breve resumen. La grabación y la transcripción están las dos en el panel, y puedes buscar una palabra en el texto.
- Gestiona las grabaciones. Solo el administrador de la cuenta escucha las grabaciones. Por defecto se guardan hasta 30 días, y conservarlas más tiempo es una opción de pago. Lo que necesites guardar lo descargas en el panel o lo recoges por API en tu propio sistema.
Se transcriben las llamadas en todas las lenguas oficiales de la Unión Europea y en inglés, también con clientes del Reino Unido y de Estados Unidos. Eso ayuda a un equipo que atiende en español y también a clientes que hablan francés, alemán o portugués, o que es accesible para clientes de otros países con un número en otro país.
La grabación con transcripción y resumen por IA está incluida en el plan Atención al cliente, que cuesta €49 al mes o €490 al año y sirve para hasta ocho personas. Con un número español, las llamadas están incluidas con un uso normal. Por encima, pagas 10 céntimos por minuto a fijos y a móviles, por segundos, y en esos 10 céntimos entran, si quieres, la grabación, la transcripción y el registro de la llamada. Si prefieres no depender del uso normal, puedes elegir esa tarifa por minuto desde el principio. Todos los planes están en la página de precios.
Protección de datos al transcribir llamadas
Una transcripción contiene los mismos datos personales que la grabación, y a menudo son más fáciles de encontrar, porque en el texto se puede buscar. Por eso a la grabación y a la transcripción se les aplican el RGPD y la LOPDGDD. Antes de empezar, aclara tres cosas: para qué grabas, cómo informas a quien llama y quién de tu empresa puede acceder a las grabaciones y las transcripciones. Cuándo es legal grabar una llamada en España lo explicamos en ¿es legal grabar una conversación telefónica?.
Graba solo lo que tenga una finalidad clara y borra lo que ya no necesites. Estas indicaciones son información general y no asesoramiento jurídico; para tu caso concreto, consulta con tu asesor o tu delegado de protección de datos, y en las guías de la Agencia Española de Protección de Datos (AEPD) encontrarás más orientación. Lo que se aplica a las conversaciones automatizadas lo explicamos en el artículo voicebot y protección de datos.
Speech to text y text to speech en un voicebot
Speech to text tiene su contrario: text to speech convierte un texto escrito en voz. Un voicebot en el teléfono necesita las dos direcciones. Escucha a quien llama y pasa lo dicho a texto con speech to text; un modelo de lenguaje entiende la consulta y redacta la respuesta, y text to speech la pronuncia con una voz natural. Como todo esto tiene que pasar durante la conversación, sin pausas que se noten, las exigencias son mayores que al transcribir una grabación terminada. Cómo une un voicebot estos pasos, o cómo los reúne en un modelo en tiempo real, lo cuenta el artículo dos formas de construir un voicebot con IA.
El servicio de voz que se usa en un voicebot depende de los idiomas que hablan las personas que te llaman, y te lo indicamos antes de empezar. Si lo pides, firmamos un contrato de encargado del tratamiento. En qué se diferencian un voicebot y un chatbot lo explica el artículo qué es un chatbot, y qué hay detrás de la respuesta del voicebot, el artículo sobre la IA generativa.
CallFactory trabaja en telefonía para empresas desde 2001, es operador con licencia en 14 países europeos y gestiona su propia plataforma. La grabación, la transcripción y el voicebot funcionan en la misma plataforma que tu número.
