Tecnologías del habla

Cómo lo hace

Esa interpretación se apoya en lo que el sistema ha oído al entrenarse. Si apenas ha oído una variedad, la reconoce peor:

La síntesis hace el camino inverso: el texto se normaliza («3 kg» → «tres kilos»; «1/2» puede ser «un medio» o «uno de febrero»), se pasa a fonemas, un modelo predice el espectrograma con la entonación y las duraciones adecuadas y un vocoder neuronal lo convierte en onda. La normalización y la prosodia son los puntos donde más ayuda el conocimiento lingüístico. Los sistemas actuales pueden generar voces naturales y algunos permiten clonar una voz con muestras breves, aunque la calidad depende del sistema, el idioma y la grabación. La imitación plantea riesgos de suplantación y fraude además de cuestiones de consentimiento; conviene verificar por otro canal las solicitudes sensibles recibidas por voz.

Dónde falla

• Nombres propios, siglas y jerga: lo poco frecuente en los datos se sustituye por algo frecuente que suena parecido.
• Variedades y acentos con poca presencia en los datos, y hablantes de otras lenguas.
• Voces superpuestas, ruido y habla espontánea: interrupciones, frases a medias, reinicios.
• La entonación: «ya has llegado» puede ser una afirmación, una pregunta o una ironía, y en el texto solo cabe una.

La calidad se mide con el WER: cuenta sustituciones, eliminaciones e inserciones respecto al número de palabras de la transcripción de referencia. Un WER bajo no garantiza nada si la palabra equivocada es un nombre, una cifra o una negación, y depende de cómo se normalicen mayúsculas, números y puntuación antes de comparar. En lenguas sin espacios se usa el CER (por carácter), que no es comparable con el WER. Para la síntesis se usa el MOS, una puntuación media de naturalidad que da un grupo de oyentes, subjetiva y cara. Lo que más importa casi nunca es el WER medio, sino el WER por grupo (variedad, edad, ruido, micrófono): los sistemas comerciales funcionan peor con algunos acentos, y solo se ve al desglosar. Si transcribes una reunión, la máquina produce el borrador; el acta sigue siendo cosa tuya.

Las decisiones lingüísticas

• Fonética y variación: prever dónde fallará un sistema (seseo, aspiración, entonación interrogativa sin partícula) y explicarlo.
• Corpus de voz representativos: decidir qué variedades, edades y situaciones tienen que estar en los datos.
• Revisión de transcripciones con criterios claros de qué cuenta como error.
• Prosodia en la síntesis: dónde van las pausas y el énfasis para que una voz artificial suene natural.

En sistemas reales

• El dictado del móvil: reconocimiento de voz que funciona en el propio dispositivo. Acierta con el vocabulario común y falla de forma predecible con nombres propios, siglas y acentos poco representados.
• Common Voice: corpus abierto de voz construido con grabaciones de voluntarios y validado por otros hablantes. Su composición por variedades, edades y géneros muestra qué voces están representadas y cuáles faltan.
• Subtítulos automáticos de YouTube: reconocimiento de voz aplicado a millones de vídeos. Sus errores se concentran en el habla espontánea, las voces superpuestas y las variedades con menos presencia en los datos.