Lo que un chatbot hace bien
Algunos asistentes de chat aceptan un archivo de audio. Si le das una nota de voz de dos minutos con una sola voz clara, puedes obtener un texto utilizable. Los chatbots también son buenos en lo que viene después de la transcripción: una vez que tienes el texto, pueden resumirlo, extraer tareas pendientes o convertirlo en un correo. Si tu grabación es corta y solo necesitas la idea general, quizá no necesites más.
Dónde falla
- Límites de subida. Los asistentes que aceptan audio limitan el tamaño y la duración del archivo, y algunos no aceptan audio en absoluto. Una grabación larga suele tener que cortarse en trozos y enviarse uno a uno.
- Texto acortado. Una ventana de chat está pensada para dar una respuesta, no para devolver cuarenta páginas. Con una grabación larga, el asistente tiende a condensar, saltarse fragmentos o detenerse a mitad de camino.
- Hablantes poco fiables. En una entrevista o una reunión necesitas saber quién dijo qué. Los chatbots no marcan los cambios de hablante de forma fiable, así que acabas comprobando cada cambio de voz con el audio.
- Marcas de tiempo poco fiables. Sin la hora de cada línea no puedes volver al audio para verificar una cita.
- Sin archivo con el que trabajar. Obtienes texto en un chat, no un documento que puedas entregar a otra persona.
El texto acortado es lo más difícil de detectar. Una transcripción condensada se lee con fluidez, así que nada te avisa de que faltan diez minutos del medio.
Por qué ocurre
Convertir voz en texto requiere un modelo de voz y un tiempo de procesamiento real sobre el audio. Un asistente de chat general está pensado para responder un mensaje dentro de unos límites de cuánto puede recibir y cuánto puede escribir. Una grabación larga supera ambos.
El lado de la salida es fácil de subestimar. En nuestra prueba con cuatro trabajos largos, traducir un archivo de subtítulos de 85 minutos y 1.200 líneas le costó a cada modelo entre 38.000 y 56.000 tokens de salida. Una transcripción completa de una grabación de dos horas es una respuesta del mismo tamaño. Que llegue entera depende de cuánto permita la aplicación en una sola respuesta.
Una herramienta específica de voz a texto está construida al revés: procesa el archivo completo por partes, conserva el tiempo de cada párrafo y guarda el resultado como un documento que puedes editar y exportar.
Cómo comprobarlo tú mismo
Elige una grabación que conozcas, de al menos veinte minutos, con dos personas hablando.
- Pide a un chatbot que la transcriba palabra por palabra, con marcas de tiempo.
- Anota si acepta la subida siquiera.
- Busca en el resultado una frase que recuerdes de cerca del final.
- Compara el número de palabras con una estimación aproximada: la mayoría de las personas habla entre 130 y 160 palabras por minuto.
Si la frase del final está y el número de palabras está en el rango, tu grabación pertenece a la categoría fácil. Si el texto se va quedando escaso hacia el final, lo que tienes es un resumen, no una transcripción.
Qué usar en su lugar
Usa una herramienta creada para grabaciones largas. Nuestra herramienta Audio y video largos a texto divide la grabación en partes, transcribe cada parte completa con marcas de tiempo y las une en orden. Acepta archivos de audio y video de hasta 2 GB y 6 horas, escribe cada parte en el idioma hablado y puede añadir una traducción bajo cada párrafo. Descargas TXT o Word. Puedes ver un ejemplo terminado en la demo.
La primera parte es gratis, sin registro. La grabación completa cuesta $5, pago único, sin suscripción. Ilimitado cuesta $19 por semana (se renueva cada semana, cancela cuando quieras), incluye todas las herramientas del sitio y admite grabaciones de hasta 12 horas por trabajo.
Si las grabaciones son mensajes de voz dentro de un chat de WhatsApp, usa mejor Chat de WhatsApp a PDF: transcribe cada mensaje de voz en el punto de la conversación donde se envió.