Saltar al contenido principal

Transcripción

Ajustes → Transcripción lista los reconocedores: los servicios que convierten el sonido en texto, para las conversaciones terminadas y, para el apuntador, mientras una conversación está en curso.

Una conversación se transcribe cuando lo pide en la ventana de grabaciones, o sola si Procesar las conversaciones automáticamente está activado en Procesamiento. Un reconocedor en su propia máquina no cuesta nada; uno en la nube cobra por minuto de sonido.

Reconocedores​

Un reconocedor es un servicio de reconocimiento de voz al que el teléfono envía el sonido. Añadir añade uno; el botón Probar de su ficha comprueba que el servicio responde de verdad. Cada uno aparece en la lista con su nombre y, debajo, el modelo y la dirección de su servicio. La tabla lista cada tipo de servicio que admite el teléfono, tal como los ofrece Tipo en la ficha, con la dirección y los modelos que recibe un reconocedor nuevo de ese tipo; la última columna muestra los cinco configurados en la imagen:

TipoDirección para transcripcionesDirección para el apuntadorModeloEn la imagen
Compatible con OpenAI (Whisper, OpenAI)https://api.openai.com/v1wss://api.openai.comgpt-4o-transcribe, en directo gpt-live-transcribeOpenAI · gpt-4o-transcribe
Deepgramhttps://api.deepgram.com/v1wss://api.deepgram.comnova-3Deepgram · nova-2
ElevenLabs (Scribe)https://api.elevenlabs.io/v1wss://api.elevenlabs.ioscribe_v1, en directo scribe_v2_realtimeElevenLabs · scribe_v2
Speechmaticshttps://asr.api.speechmatics.com/v2wss://global.rt.speechmatics.com, o eu., us., au. en lugar de global. para una regiónenhanced—
xAI (Grok)https://api.x.ai/v1wss://api.x.ai(vacío: el modelo predeterminado del servicio), en directo grok-voice-transcribe-2.0X.ai · en directo grok-voice-transcribe-2.0
Sonioxhttps://api.soniox.comwss://stt-rt.soniox.com(vacío: el modelo predeterminado del servicio), en directo stt-rt-v5—
AssemblyAIhttps://api.assemblyai.comwss://streaming.assemblyai.com(vacío: el modelo predeterminado del servicio)—
Vosk (en su propia máquina)su servidor, por ejemplo ws://localhost:2700(el mismo servidor)(se fija en el servidor)Vosk · ws://localhost:2700
WhisperLive (en su propia máquina)su servidor, por ejemplo ws://localhost:9090(el mismo servidor)en directo small—
NVIDIA Riva (en su propia máquina)su servidor, por ejemplo localhost:50051(el mismo servidor)(se fija en el servidor)—

La Dirección para el apuntador suele ser una dirección WebSocket: wss:// para un servicio en la nube, ws:// para un servidor de su propia red; NVIDIA Riva se indica como host:puerto.

Las dos marcas a la derecha de una fila dicen para qué es el reconocedor predeterminado. El reloj se enciende en el predeterminado para transcripciones — X.ai en la imagen —, que se usa cuando no elige otro. El rayo se enciende en el predeterminado para el apuntador — Vosk en la imagen. Puede tener varios reconocedores; la lista desplegable encima de una transcripción en la ventana de grabaciones muestra las transcripciones hechas por cada uno.

La ficha del reconocedor​

Al pulsar un reconocedor se abre su ficha.

CampoQué es
NombreEl nombre en las listas.
TipoEl tipo de servicio, que decide cómo le habla el teléfono: Compatible con OpenAI (Whisper, OpenAI), Deepgram, ElevenLabs (Scribe), xAI (Grok), AssemblyAI, Soniox, Speechmatics, y tres que funcionan en su propia máquina — Vosk, WhisperLive y NVIDIA Riva.
Dirección para transcripcionesAdónde se envían las conversaciones terminadas.
Dirección para el apuntadorAdónde va el sonido en directo mientras transcurre una conversación. Suele ser una dirección WebSocket: wss:// para un servicio en la nube, como wss://api.x.ai en la imagen, ws:// para un servidor de su propia red. Vacío se deduce de la dirección de al lado.
ClaveLa clave del servicio. Se guarda en el llavero de este ordenador, nunca en un archivo de ajustes.
ProbarPregunta al servicio y dice qué respondió, por ejemplo Ha respondido, y ofrece 3 modelos.
Modelo para transcripciones y Modelo para el apuntadorEl modelo, exactamente como lo llama el servicio. Vacío no envía ningún nombre de modelo, y el servicio usa su propio predeterminado; cuando el proveedor publica uno, la ficha lo nombra. El campo no se muestra para un tipo que no da a elegir. En la imagen, xAI no tiene Modelo para transcripciones, y el Modelo para el apuntador es grok-voice-transcribe-2.0.
Predeterminado para transcripcionesLo convierte en el reconocedor que se usa cuando no elige otro.
Predeterminado para el apuntadorLo convierte en el reconocedor con el que escucha un ayudante nuevo del apuntador.
ActivadoDesactivado, el reconocedor sigue en la lista y no se usa.

Ajustes avanzados abre el resto de la ficha. Los valores que más importan:

CampoQué hace
RegiónLa región del servicio, para uno que tiene varias.
Enviar los dos lados por separadoUna llamada se graba con las dos personas en dos canales, y eso es lo que le dice al reconocedor quién dijo qué. Desactívelo para un servidor que dice saber hacerlo y no sabe.
Preguntar quién hablaDistingue a las personas dentro de un mismo canal, cuando varias hablan en él.
Escribir los números con cifrasImportes, fechas y números de teléfono vuelven tal como se escriben, en vez de en letras.
Límite de subida, Límite de duraciónEl archivo más grande, en bytes, y la grabación más larga, en segundos, que enviará este teléfono.
Peticiones a la vezCuántas peticiones pueden estar en curso al mismo tiempo.
Terminar una respuesta tras, Unir respuestas cortas en, Silencio entre turnosPara el apuntador: cuánto tiempo sin palabras nuevas termina una respuesta, cuánto espera una respuesta corta a la siguiente para unirse a ella, y cuánto silencio termina un turno donde el reconocedor no marca ninguno. En milisegundos.
IdiomaUn código de idioma de dos letras según la ISO 639-1 (en, de, es, fr, sr…). Déjelo vacío y el reconocedor decide — es lo correcto, salvo que sus llamadas sean en un idioma que entienda mal una y otra vez.
ExtrasUn name = value por línea, pasado al servicio tal cual. Déjelo vacío salvo que el servidor documente algo.
Espera, minutosCuánto esperar una transcripción. Vacío lo calcula a partir de la duración de la grabación.
Precio por minutoLo que cuesta un minuto de sonido en directo, según la lista de precios del servicio. El apuntador muestra lo que ha costado una sesión y se detiene en su tope mensual.

Reconocimiento en directo para el apuntador​

El apuntador necesita un reconocedor que escuche mientras alguien habla, por un flujo y no con un archivo terminado. Estos tipos pueden: Deepgram, ElevenLabs (Scribe), xAI (Grok), Compatible con OpenAI (con la transcripción en tiempo real de OpenAI), AssemblyAI, Soniox y Speechmatics en la nube y Vosk, WhisperLive y NVIDIA Riva en su propia máquina. Un reconocedor en su propia máquina deja la voz del interlocutor dentro de casa y no cobra nada.

Para usar uno: abra su ficha, compruebe la Dirección para el apuntador — normalmente una dirección WebSocket, como wss://api.x.ai para X.ai, wss://api.deepgram.com para Deepgram o ws://localhost:2700 para Vosk; si se deja vacía, se deduce de la Dirección para transcripciones. Después elija el Modelo para el apuntador: los modelos en directo suelen ser distintos de los de archivos — grok-voice-transcribe-2.0 para X.ai, como en la ficha de la imagen, scribe_v2_realtime para ElevenLabs, gpt-live-transcribe para OpenAI, stt-rt-v5 para Soniox. Pulse Probar. Marque Predeterminado para el apuntador para que los ayudantes nuevos escuchen con él.

Qué modelo elegir​

La tabla lista los modelos de reconocimiento de voz de cada tipo de la lista Tipo. Los modelos en negrita son los configurados en la imagen; para el reconocedor X.ai el modelo está vacío, así que se usa el predeterminado del servicio, grok-voice-transcribe-2.0. Lo que allí está vacío es el Modelo para transcripciones; el Modelo para el apuntador tiene el mismo modelo. Para dice para qué está hecho un modelo: para grabaciones terminadas (transcripciones), para el habla en directo del apuntador (apuntador), o para ambos.

Tipo y direcciónModeloParaPara qué sirve
Compatible con OpenAI (Whisper, OpenAI)
https://api.openai.com/v1
gpt-transcribetranscripcionesEl modelo que OpenAI recomienda para el habla grabada en su idioma original.
gpt-4o-transcribeambosTranscripción de uso general. Un reconocedor nuevo de este tipo lo recibe.
gpt-4o-mini-transcribeambosUna variante más ligera y barata del anterior.
gpt-4o-transcribe-diarizetranscripcionesMarca quién habla y cuándo. Úselo solo si lo necesita.
whisper-1transcripcionesEl modelo Whisper antiguo, conservado para usos especiales como marcas de tiempo por palabra y subtítulos.
gpt-live-transcribeapuntadorEl modelo en directo de OpenAI: las palabras llegan según se pronuncian. El teléfono lo ofrece para el apuntador.
Deepgram
https://api.deepgram.com/v1
nova-3ambosEl mejor modelo de uso general de Deepgram, para reuniones, sonido ruidoso y multilingüe. Un reconocedor nuevo de este tipo lo recibe.
nova-2ambosLa generación anterior; consérvela para idiomas que nova-3 aún no admite.
nova-2-phonecallambosnova-2 ajustado al sonido estrecho de una línea telefónica. Inglés.
flux-general-enapuntadorHecho para la conversación: oye cuándo alguien ha terminado de hablar. Inglés.
flux-general-multiapuntadorLo mismo en diez idiomas, y una conversación puede pasar de uno a otro.
enhanced, basetranscripcionesNiveles más antiguos; base es para grandes volúmenes.
whispertranscripcionesWhisper, ejecutado por Deepgram.
ElevenLabs (Scribe)
https://api.elevenlabs.io/v1
scribe_v2transcripcionesTranscripción de uso general en más de 90 idiomas, con separación de hablantes.
scribe_v2_realtimeapuntadorLa versión en directo de scribe_v2. El teléfono la ofrece para el apuntador.
scribe_v2_medicaltranscripcionesscribe_v2 ajustado al sonido clínico.
scribe_v1transcripcionesLa primera generación; obsoleta, use scribe_v2.
Speechmatics
https://asr.api.speechmatics.com/v2
enhancedambosEl más preciso, para una conversación en un solo idioma. Un reconocedor nuevo de este tipo lo recibe.
standardambosMás rápido y barato, algo menos preciso.
melia-1transcripcionesUna conversación en varios idiomas, que cambia a mitad de frase, vuelve como una sola transcripción. Solo grabaciones, en las regiones UE y EE. UU.; todavía sin diccionario propio ni etiquetas de hablantes.
xAI (Grok)
https://api.x.ai/v1
grok-voice-transcribe-2.0ambosEl único modelo actual y el predeterminado: 38 idiomas, que reconoce por sí mismo. Archivos de hasta 500 MB; la voz en directo va a wss://api.x.ai.
grok-voice-transcribe-1.0transcripcionesObsoleto: el servicio lo redirige a 2.0.
Soniox
https://api.soniox.com
stt-async-v5transcripcionesMás de 60 idiomas, con separación de hablantes.
stt-rt-v5apuntadorEn directo, en los mismos más de 60 idiomas, y oye dónde termina un turno. El teléfono lo ofrece para el apuntador.
AssemblyAI
https://api.assemblyai.com
universal-3-5-proambosEl modelo más preciso para grabaciones; 18 idiomas, y una conversación puede pasar de uno a otro.
universal-2transcripciones99 idiomas, más barato; AssemblyAI recurre a él para un idioma que universal-3-5-pro no conoce.
universal-3-6-proapuntadorEl modelo en directo más reciente de AssemblyAI, 32 idiomas; el servicio lo usa cuando el modelo está vacío.
universal-streaming-multilingualapuntadorReconocimiento en directo más barato en inglés, español, alemán, francés, portugués e italiano.
universal-streaming-englishapuntadorReconocimiento en directo más barato, solo en inglés.
Vosk (en su propia máquina)
ws://localhost:2700
(se fija en el servidor)ambosGratuito y ligero; funciona sin tarjeta gráfica. El modelo es aquel con el que se arrancó el servidor, uno por idioma, por ejemplo vosk-model-es-0.42 o el pequeño vosk-model-small-es-0.42.
WhisperLive (en su propia máquina)
ws://localhost:9090
smallambosWhisper sobre un flujo en directo. El tamaño se elige en la ficha: tiny, base, small (el que ofrece el teléfono), medium, large-v3; cuanto más grande, más preciso, y más pide una tarjeta gráfica.
NVIDIA Riva (en su propia máquina)
localhost:50051
(se fija en el servidor)ambosEl servidor de voz de NVIDIA, para un ordenador con tarjeta gráfica NVIDIA. Sirve modelos como Parakeet y Canary.

Lo que conviene saber antes de elegir:

  • Transcripciones o apuntador. Un modelo hecho para el habla en directo no acepta un archivo terminado, y la mayoría de los modelos para archivos no saben escuchar en directo. Por eso una ficha tiene dos campos, Modelo para transcripciones y Modelo para el apuntador.
  • Tamaño del archivo. OpenAI acepta archivos de hasta 25 MB; X.ai, de hasta 500 MB. Una conversación larga puede superar lo que acepta un servicio en la nube.
  • Precio. Los servicios en la nube cobran por minuto de sonido, y las tarifas varían según el modelo y cambian; consúltelas en la página del propio servicio antes de cambiar. Un reconocedor en su propia máquina no cuesta nada.
  • Idiomas. Cada servicio tiene su propia lista; compruebe la suya y ponga el código en Idioma, en los ajustes avanzados del reconocedor, si adivina mal.

La lista de modelos de un servicio cambia a menudo. Si falta aquí un modelo que quiere, la documentación del propio servicio tiene la lista actual — OpenAI, Deepgram, ElevenLabs, Speechmatics, X.ai, Soniox, AssemblyAI, Vosk, WhisperLive, NVIDIA Riva — y el Modelo es el nombre exactamente como lo da el servicio.

Sus propios modelos​

Un reconocedor no tiene por qué ser un servicio en la nube. El teléfono puede usar cualquier modelo servido a través de la API compatible con OpenAI — la interfaz POST /v1/audio/transcriptions —, tanto si funciona localmente en su ordenador como en un servidor propio. El audio nunca sale de sus instalaciones, no se cobra nada por minuto y no hay límite de volumen.

Para añadir uno, pulse Añadir e indique:

  • la dirección del servidor, hasta /v1 incluido, por ejemplo http://localhost:8000/v1 para el propio ordenador o http://asr.local:8080/v1 para un servidor de su red;
  • el nombre del modelo exactamente como lo lista el servidor, por ejemplo openai/whisper-large-v3-turbo.

Qué se puede usar​

La opción habitual es Whisper, el modelo abierto de reconocimiento de voz de OpenAI. Es de uso gratuito, entiende un centenar de idiomas y existe en varios tamaños: un modelo pequeño funciona en un ordenador corriente, los grandes son notablemente más precisos y conviene darles una tarjeta gráfica.

ModeloNotas
whisper-large-v3El Whisper más preciso. Para un servidor con GPU.
openai/whisper-large-v3-turboUna versión más rápida de large-v3, con una pequeña pérdida de precisión.
Systran/faster-whisper-large-v3large-v3 convertido para el motor faster-whisper; más rápido y con menos memoria.
medium, small, baseModelos Whisper más pequeños, para un ordenador sin tarjeta gráfica.

Whisper es el modelo en torno al cual están hechos estos servidores. Algunos también pueden servir otros modelos de reconocimiento de voz, como NVIDIA Parakeet.

Servidores que ofrecen la API compatible con OpenAI​

El modelo tiene que ejecutarlo un servidor que ofrezca el punto de acceso /v1/audio/transcriptions compatible con OpenAI. Estos lo hacen:

ServidorQué es
vLLMUn servidor de modelos de alto rendimiento. Una vez arrancado, sirve Whisper en http://localhost:8000/v1.
SpeachesUn servidor de modelos de voz, «el Ollama de la voz», basado en faster-whisper. Carga un modelo la primera vez que se le pide.
whisper.cppEjecuta Whisper con eficiencia en una CPU, incluido Apple silicon. Su whisper-server se arranca con --inference-path /v1/audio/transcriptions.
LocalAIUn sustituto directo de OpenAI que ejecuta los modelos localmente.

Cualquier otro servidor que ofrezca el mismo punto de acceso funciona igual. Si un servidor necesita una clave, introdúzcala como para un servicio en la nube.

Antes de confiar en un servidor, haga una grabación de prueba y mire la transcripción en la ventana de grabaciones: una conversación en un idioma que el modelo conoce mal lo delata enseguida.