Explicación detallada
El Speech-to-Text (STT) o ASR (Automatic Speech Recognition) se basa en modelos de deep learning capaces de manejar múltiples idiomas, acentos y ruidos de fondo. Alimenta el dictado, la transcripción de reuniones, los subtítulos y el control por voz.
Ejemplos
Transcripción de reuniones en Zoom
Subtítulos automáticos de YouTube
Dictado por voz en iPhone
Whisper (OpenAI)
Preguntas frecuentes
¿Qué precisión se puede esperar?
Los mejores modelos superan el 95% en condiciones favorables; el ruido, los acentos y la terminología específica del sector reducen la calidad.
Términos relacionados
API
Interfaz que permite a una aplicación invocar las funciones de un servicio —incluyendo un modelo de IA— mediante peticiones HTTP.
Text-to-Speech
Tecnología que sintetiza una voz realista a partir de un texto escrito.
Multimodal
Capacidad de un modelo de IA para comprender y generar varias modalidades (texto, imagen, audio, vídeo) dentro de un mismo sistema.
Aprendizaje profundo
Subcampo del aprendizaje automático que utiliza redes neuronales profundas para aprender representaciones complejas.
Última actualización: 15/7/2026