Una mala transcripción suele tener una o dos causas, y los fallos en la página te dicen cuáles. Siete causas habituales de errores de transcripción de audio, cómo se ve cada una, por qué ocurre y la solución, tanto en la grabación como en la transcripción.
Los errores de transcripción de audio rara vez son aleatorios. Una transcripción que convierte «Kubernetes» en «Cooper Netties», pone las palabras de dos personas bajo un mismo nombre o escribe «cincuenta» donde el hablante dijo «quince» te está mostrando qué salió mal. Cada causa deja su propio tipo de fallo, y cada una tiene su propia solución. Algunas se aplican en la próxima grabación, otras en la transcripción que ya tienes.
Esta guía parte del error. Busca en la lista de abajo el que coincide con tu transcripción y ve a su sección: cómo se ve el error, por qué ocurre en palabras sencillas y qué hacer al respecto.
La mayoría de los problemas de transcripción caen en siete patrones. Relaciona el síntoma con la causa:
Dos causas suelen sumarse. Un invitado remoto con auriculares en una cafetería ruidosa y con acento producirá tres tipos de error a la vez. Corrige primero la causa que afecta a más líneas: normalmente el audio, luego el idioma y después las palabras.
Cómo se ve. En una grabación hecha en una cafetería, «Vamos a mover el lanzamiento a marzo» sale como «Vamos a mover el almuerzo a marzo». Una palabra bajo el portazo desaparece. En un silencio largo con un aire acondicionado zumbando, aparece una línea que nadie dijo, como «Gracias por ver el vídeo».
Por qué ocurre. El reconocimiento del habla adivina las palabras más probables para el sonido que recibe. El ruido tapa primero las partes más débiles del habla: los finales de palabra y las palabras cortas entre unas y otras. Con menos señal real, la apuesta se apoya más en lo que suele venir después, y «almuerzo» es más corriente que «lanzamiento». Ante un ruido constante sin ningún habla, algunos sistemas producen igualmente una frase hecha, porque se entrenaron para escribir algo siempre que oyen sonido.
Solución en la grabación. Acerca el micrófono al hablante en lugar de subir el volumen. Duplicar la distancia reduce el sonido directo del hablante en unos 6 dB mientras el ruido de la sala se queda igual, así que la cercanía importa más que cualquier ajuste. Apaga ventiladores y aire acondicionado durante la grabación si puedes, y graba en una sala con superficies blandas en lugar de cristal y baldosa.
Solución en la transcripción. En VocalStack, indica el idioma hablado en las grabaciones ruidosas en lugar de dejar la detección automática. La propia nota del panel lo dice: indicar el idioma mejora la precisión en grabaciones con ruido y acentos marcados. En una transcripción en directo, el modo de latencia Accuracy acepta un poco más de retraso a cambio de menos errores con audio difícil. Las líneas de las que el motor está menos seguro (por debajo del umbral de confianza de la transcripción, 0,60 por defecto) se muestran a los oyentes como «Audio unclear» en lugar de una conjetura, y nunca se leen en voz alta. Una línea que sea pura invención se puede ocultar a mano: las líneas ocultas quedan fuera de la transcripción, las exportaciones, los subtítulos y el reproductor.
Cómo se ve. «Los datos muestran una subida del sesenta por ciento» se convierte en «Los datos muestran una subida del setenta por ciento». Los fallos acompañan a un hablante durante toda la grabación, mientras que las líneas de los demás salen limpias.
Por qué ocurre. Un sistema de reconocimiento aprende cómo suenan las palabras a partir del habla con la que se entrenó. Cuando un hablante pronuncia un sonido de forma distinta a la mayor parte de ese habla, el sistema oye exactamente lo que se dijo y elige la palabra real que mejor encaja con ese sonido. La detección automática del idioma puede empeorarlo: un acento fuerte puede desplazar los indicios hacia un idioma completamente distinto (consulta cómo funciona la detección automática del idioma).
Solución en la grabación. Para una charla en directo, añade un Reference Script antes de empezar (mira la sección de jerga más abajo), de modo que las palabras que el hablante probablemente dirá ya se conozcan. Un buen micrófono ayuda con cualquier acento, porque llega más de cada sonido al motor.
Solución en la transcripción. Indica el idioma hablado de esa grabación. Después usa la pestaña Fix: Mark uncertain words colorea y subraya las palabras de las que el motor dudaba, y puedes recorrer los segmentos dudosos de uno en uno en lugar de releerlo todo. Cuando el motor consideró otras palabras, las ofrece como correcciones sugeridas, así que cambiar «setenta» por «sesenta» suele ser un solo clic. Play just this word te deja comprobarlo de oído antes de cambiar nada.
Cómo se ve. Un hablante pregunta «¿Entonces quedamos el martes?» mientras otro lo interrumpe con «No, el jueves me va bien». La transcripción muestra una sola línea bajo Speaker 1: «¿Entonces quedamos el martes? No, el jueves me va bien». O lo contrario: una persona que se animó a mitad de la reunión aparece como Speaker 1 y Speaker 3.
Por qué ocurre. Por debajo corren dos trabajos distintos. El reconocimiento del habla escribe las palabras; la diarización de hablantes decide quién habló y cuándo, a partir de cómo suena cada voz. La mayoría de los sistemas asignan a cada tramo de audio un solo hablante, así que cuando dos personas hablan a la vez, una de ellas pierde. Un cambio en la voz de alguien (emocionada, cansada, más lejos del micrófono) puede hacer que parezca una persona nueva. Diarización frente a reconocimiento del habla explica los dos trabajos con detalle.
Solución en la grabación. Da a cada persona su propio micrófono. Ese único cambio hace más por varios hablantes que cualquier ajuste. En un panel o en una reunión con preguntas del público, pide al moderador que repita cada pregunta en su propio micrófono antes de que se responda.
Solución en la transcripción. Elige el ajuste de etiquetas de hablante: When Needed (el predeterminado) etiqueta las líneas en cuanto se oye una segunda voz, On etiqueta todas las líneas y Off no etiqueta ninguna. Pon nombre a cada hablante durante o después de la grabación. El nombre es una capa sobre las palabras, así que nunca cambia el texto, y se aplica a esa persona en todas las grabaciones de la transcripción. Guarda a un hablante al que grabes a menudo y las transcripciones posteriores lo reconocerán por su nombre. Una línea que junta dos frases se puede dividir en dos: toca el hueco donde empieza la nueva línea.
Cómo se ve. «Lo desplegamos en Kubernetes» se convierte en «Lo desplegamos en Cooper Netties». «La señora Nguyen» pasa a «la señora Win». El nombre de un medicamento se vuelve tres palabras cortas. El resto de la frase está bien.
Por qué ocurre. Un sistema solo puede escribir las palabras que conoce, y un nombre suele aparecer una vez, sin nada alrededor que permita predecirlo. Cuando nunca ha visto la palabra, elige las palabras corrientes que suenan más parecido. Este es el caso más difícil para la transcripción precisa de terminología técnica: la frase no da ninguna pista, así que ningún contexto lo arregla.
Solución en la grabación. Dale al sistema las palabras antes de que el hablante las diga. En VocalStack eso es un Reference Script: añade el guion o las diapositivas de una charla en directo, o una lista de nombres y términos, antes de empezar, y los nombres y términos del guion se imponen a lo que se oyó mal. Durante la charla, el guion sigue a la transcripción como un teleprompter. Cada palabra que corrigió el guion queda marcada como SCRIPT entre las correcciones y se puede deshacer si el hablante realmente dijo otra cosa.
Solución en la transcripción. Corrige el nombre una vez y revisa el resto con la búsqueda. Las correcciones llegan a todos los oyentes mientras la transcripción está en directo, en todos los idiomas en que lean, y cada corrección queda listada y se puede deshacer. Las exportaciones (SRT, PDF, Excel, JSON) incluyen las correcciones, así que los subtítulos y los documentos llevan la ortografía corregida.
Cómo se ve. Una charla empieza con un saludo en español y continúa en inglés, y el inglés sale como un sinsentido de aspecto español. O unas pocas líneas en medio de una transcripción en inglés aparecen en un idioma emparentado. Algunos sistemas, configurados con el idioma equivocado, escriben una traducción aproximada en lugar de lo que se dijo.
Por qué ocurre. Cuando no se indica ningún idioma, el sistema tiene que detectarlo por el sonido, a menudo a partir de los primeros segundos. Un saludo, una cita o un acento fuerte pueden orientarlo mal. Una vez que ha elegido el idioma equivocado, todas las palabras de ese tramo salen mal a la vez.
Solución en la grabación. Si la grabación está en un solo idioma, indícalo. Deja la detección activada cuando de verdad se hablan dos o más idiomas, de modo que cada parte se transcriba en su propio idioma; indicar uno obligaría al otro a encajar en él. En una transcripción en directo se puede cambiar el idioma mientras funciona, y el cambio se aplica al instante.
Solución en la transcripción. Una línea oída en el idioma equivocado no se puede arreglar palabra por palabra, porque nada en ella es correcto. VocalStack puede transcribir la línea de nuevo: elige el idioma en que se dijo realmente y se vuelve a leer el audio de la línea en ese idioma. El resultado sustituye a la línea como una corrección normal, con el mismo deshacer que cualquier otra.
Cómo se ve. «Las tasas subieron» se convierte en «Las casas subieron». «Sin» y «fin» se intercambian. Los errores se reparten por toda la grabación y son peores para el hablante remoto de una llamada.
Por qué ocurre. Muchos de los sonidos que distinguen «f», «s» y «z» están en la parte alta del rango de frecuencias. Una línea telefónica no lleva nada por encima de unos 3,4 kHz, y unos auriculares Bluetooth suelen pasar su micrófono a un modo de llamada con un rango mucho más estrecho. La compresión de baja tasa de bits de las videollamadas elimina aún más. El sistema recibe un audio en el que esos sonidos ya han desaparecido y adivina entre palabras que ahora suenan idénticas.
Solución en la grabación. Usa un micrófono con cable, o unos auriculares cuyo micrófono se mantenga en su modo de calidad completa. Graba a cada hablante remoto en su lado si puedes, en lugar de grabar la llamada. Para un evento, toma la señal de la mesa de mezclas en lugar de un micrófono de portátil o de teléfono en la sala: la configuración en directo de VocalStack toma un cable de la mesa de mezclas, y el micrófono integrado de un teléfono capta más de la sala.
Solución en la transcripción. El audio que nunca se captó no se puede recuperar, ni por una máquina ni por una persona. Usa las marcas de palabras dudosas para encontrar los tramos dañados, reproduce la línea para comprobarla y corrige lo que puedas oír. Donde nadie pueda distinguir lo que se dijo, ocultar la línea es más honesto que dejar una conjetura.
Cómo se ve. «Quince» se convierte en «cincuenta». «Uno veinte» se convierte en «120» cuando el hablante quería decir un dólar con veinte. «El tres del cuatro» sale como una fecha en el orden equivocado. Cada error es una sola palabra, y todas las demás palabras de la frase son correctas.
Por qué ocurre. «Quince» y «cincuenta» se distinguen sobre todo por la sílaba que se acentúa, y esa diferencia es lo primero que se pierde con el ruido o con un hablante rápido. Los números hablados también omiten lo que los escritos necesitan: unidades, separadores decimales, el orden de día y mes. El sistema tiene que adivinar el formato, y su apuesta es el más común, no el tuyo.
Solución en la grabación. Pide a los hablantes que digan las cifras completas, con la unidad: «un dólar con veinte», «el quince de marzo». En una charla preparada, pon las cifras en el guion.
Solución en la transcripción. Comprueba de oído cada cifra que importe antes de citar, enviar o publicar la transcripción. Un número equivocado se lee igual que uno correcto, así que nada en la página te avisa. Qué mide la tasa de error de palabras y qué se le escapa explica por qué una sola cifra equivocada cuesta más que su parte de la tasa de error.
Cuando una transcripción tiene muchos problemas, corrígelos en este orden, para que ninguna corrección se deshaga con la siguiente:
Después, haz más fácil la próxima grabación: un micrófono por hablante, el idioma indicado y un guion con los nombres. La mayoría de los errores de transcripción de audio se deciden antes de que alguien pulse grabar.
Para una vista judicial, una consulta médica o cualquier cosa en la que una palabra equivocada tenga consecuencias, haz que una persona revise la transcripción antes de usarla, sea cual sea el sistema que la hizo. Para ver qué errores produce tu propio audio, prueba una grabación en el panel.