Reconocimiento automático de voz:
cómo funciona y la historia del reconocimiento de voz desde 1952

¿Qué es el ASR?

El reconocimiento automático de voz (ASR, por sus siglas en inglés) es la tecnología que convierte el lenguaje hablado en texto escrito. Un sistema ASR recibe una señal de audio, analiza los sonidos que contiene y predice la secuencia de palabras más probable. Es la base del software de transcripción, los asistentes de voz, los subtítulos en directo, las herramientas de dictado y la búsqueda por voz.

ASR son las siglas en inglés de automatic speech recognition, es decir, reconocimiento automático de voz; algunos proveedores lo llaman reconocimiento de voz automatizado, y ambos términos significan lo mismo. Si busca la versión de dos minutos, lea nuestra introducción al ASR. Esta guía profundiza más, desde el motor hasta los 70 años de investigación que lo respaldan.

El término suele confundirse con otros tres, y cada uno responde a una pregunta distinta:

• ASR (reconocimiento automático de voz) convierte el audio de voz en texto y responde a la pregunta «¿qué se dijo?»
• Voz a texto es la misma tecnología con su nombre comercial; también responde a «¿qué se dijo?»
• Reconocimiento del hablante (biometría de voz) identifica o verifica quién habla y responde a «¿quién lo dijo?»
• PLN (procesamiento del lenguaje natural) interpreta el significado del texto y responde a «¿qué significa?»

En la práctica, ASR y voz a texto son sinónimos: ASR es el término de ingeniería y voz a texto el nombre del producto. La confusión habitual es con el reconocimiento del hablante, que identifica a una persona concreta, como el teléfono que solo se desbloquea con la voz de su dueño, mientras que el ASR transcribe las palabras de cualquiera sin importarle quién las dijo. El PLN entra después: primero el audio se convierte en texto y luego el PLN lo resume, responde preguntas sobre él o actúa en consecuencia.

¿Cómo funciona el ASR?

El ASR moderno es una sola red neuronal que pasa directamente del audio al texto, pero durante la mayor parte de su historia fue una cadena de cinco modelos independientes.

La cadena clásica, que la historia de más abajo va armando pieza a pieza, funciona así:

1. Captura y preprocesamiento. El audio se digitaliza, se limpia y se divide en tramas cortas, normalmente de unas decenas de milisegundos.
2. Extracción de características. Cada trama se convierte en una descripción numérica compacta de su energía en distintas frecuencias.
3. Modelo acústico. Este modelo asocia esas características con fonemas, las unidades básicas de sonido de una lengua, y estima qué sonidos se pronunciaron probablemente.
4. Modelo de lenguaje. Este modelo sabe qué secuencias de palabras son probables. Por eso un motor escribe «votar en las elecciones» y no «botar en las elecciones»: las dos suenan igual, pero solo una tiene sentido en la lengua.
5. Decodificador. El decodificador recorre las probabilidades combinadas del modelo acústico y del modelo de lenguaje y devuelve la frase más probable.

El cambio a extremo a extremo

Desde mediados de la década de 2010, los modelos de aprendizaje profundo de extremo a extremo, hoy casi todos basados en la arquitectura Transformer, aprenden directamente a pasar del audio en bruto al texto, entrenados con cientos de miles de horas de habla. No hay diccionario de pronunciación hecho a mano ni modelo acústico aparte: la red lo aprende todo a la vez. Ese cambio es la principal razón por la que la precisión de la transcripción mejoró más en los años 2010 que en las cuatro décadas anteriores.

Como estos modelos aprenden de cantidades enormes de audio, manejan los acentos, el ruido de fondo y la conversación natural mucho mejor que los sistemas por etapas, y predicen la puntuación y las mayúsculas en la misma pasada, de modo que una transcripción moderna se lee como un documento.

Cómo se mide la precisión del ASR

La métrica de referencia es la tasa de error de palabras (WER): se compara la transcripción automática con una transcripción humana cuidadosa y cada palabra sustituida, omitida o insertada cuenta como un error. Un WER del 5% equivale a más o menos un error cada 20 palabras, es decir, un 95% de precisión. El WER depende por completo del audio de prueba, y por eso las cifras de precisión de dos proveedores rara vez son comparables; nuestra guía explica la fórmula e incluye una calculadora.

El reconocimiento de voz de un vistazo

La historia del reconocimiento de voz empieza en Bell Labs en 1952

El primer reconocedor de voz se construyó en Bell Labs en 1952 y entendía exactamente diez palabras: los dígitos del cero al nueve.

Audrey, el reconocedor automático de dígitos

K. H. Davis, R. Biddulph y S. Balashek construyeron Audrey con circuitos analógicos que llenaban un bastidor de relés de casi dos metros. El hablante decía un dígito por el auricular de un teléfono, la máquina medía los formantes de las vocales y se encendía una lámpara junto al dígito que había oído. Ajustada a las voces de sus diseñadores acertaba entre el 97 y el 99 por ciento; con desconocidos se venía abajo. Audrey nunca salió del laboratorio, porque salía más barato que una operadora marcara los números, pero zanjó la duda de si una máquina podía oír siquiera.

El Shoebox de IBM y los años 60

En 1962 IBM presentó Shoebox en la Feria Mundial de Seattle. Reconocía 16 palabras habladas, los diez dígitos y seis órdenes aritméticas, y con ellas manejaba una máquina de sumar. Laboratorios de Estados Unidos, Gran Bretaña, Japón y la Unión Soviética construyeron reconocedores de vocales y de listas cortas de palabras, y en 1968 Taras Vintsyuk describió el alineamiento temporal dinámico, que permitía a una máquina comparar habla pronunciada a distintas velocidades. En 1969 el campo tenía ambición pero no teoría, y John Pierce, de Bell Labs, lo comparó con los planes para convertir agua en gasolina.

El programa Speech Understanding Research de DARPA llevó los vocabularios más allá de las 1,000 palabras

Entre 1971 y 1976 DARPA financió el mayor esfuerzo en reconocimiento de voz hasta la fecha, y Harpy, de Carnegie Mellon, alcanzó su meta de 1,000 palabras.

La meta a cinco años

El programa Speech Understanding Research pedía un sistema capaz de entender habla continua de varios hablantes con un vocabulario de 1,000 palabras y menos del 10 por ciento de error, y pagó a Carnegie Mellon, BBN, SRI y otros para que compitieran. Harpy, terminado en Carnegie Mellon en 1976, entendía 1,011 palabras, más o menos el vocabulario de un niño de tres años, y fue el único sistema que cumplió el objetivo. Su truco era una búsqueda que descartaba pronto las secuencias de palabras improbables en lugar de sopesar cada posibilidad, una idea que sigue siendo el núcleo de todo decodificador.

El giro estadístico

De esos mismos años salió la idea que se impuso a todas las demás durante los 40 años siguientes. En Carnegie Mellon, la tesis de James Baker de 1975 describía el sistema DRAGON, que trataba el habla como un modelo oculto de Márkov y dejaba que las probabilidades, y no reglas escritas a mano, decidieran qué palabras se habían dicho. En IBM, el grupo de Fred Jelinek incorporó el mismo enfoque a un sistema de dictado experimental y añadió modelos de lenguaje de n-gramas, de modo que el reconocedor podía adivinar la siguiente palabra a partir de las dos anteriores. Bell Labs, mientras tanto, pasó de una voz a muchas y construyó reconocedores que funcionaban con distintos hablantes, algo que las aplicaciones telefónicas exigían.

Los modelos ocultos de Márkov hicieron estadístico el reconocimiento de voz en los años 80

Los años 80 sustituyeron la comparación de patrones por la probabilidad, y los vocabularios pasaron de unos cientos de palabras a 20,000 en una década.

Cómo oye un modelo oculto de Márkov

Un modelo oculto de Márkov no intenta emparejar un sonido con una plantilla. Se pregunta qué secuencia de sonidos del habla produjo con mayor probabilidad el audio que recibió, y después qué secuencia de palabras produjo con mayor probabilidad esos sonidos. Las probabilidades se fijan entrenando con habla grabada, así que más datos significan un reconocedor mejor, una propiedad que importaría muchísimo cuando llegara internet. Combinado con modelos de lenguaje de n-gramas, el HMM se convirtió en la arquitectura estándar de todos los laboratorios de investigación y ahí se quedó hasta que el aprendizaje profundo lo desplazó en 2012.

Tangora, Sphinx y los primeros productos

Tangora, de IBM, reconocía un vocabulario de 20,000 palabras a mediados de los años 80, aunque necesitaba una pausa entre palabras y entrenarse con cada hablante. En 1988 el sistema Sphinx de Kai-Fu Lee, en Carnegie Mellon, fue el primero en combinar vocabulario amplio, habla continua e independencia del hablante en un solo reconocedor. Dragon Systems, fundada por James y Janet Baker en 1982, empezó a vender software de reconocimiento para computadoras personales. El reconocimiento de voz también llegó por primera vez a los consumidores: la muñeca Julie, de Worlds of Wonder, respondía a un puñado de frases habladas en 1987, y las compañías telefónicas probaron la marcación por voz. Los juguetes eran rudimentarios, pero metieron la expresión "reconocimiento de voz" en los hogares de la gente común.

Los años 90 llevaron el reconocimiento de voz a las computadoras personales

Procesadores más rápidos convirtieron el dictado de una demostración de laboratorio en software vendido en caja, y una prueba de referencia compartida facilitó medir el progreso.

De Dragon Dictate a NaturallySpeaking

Dragon Dictate salió a la venta en 1990 por unos 9,000 dólares. Fue el primer producto de reconocimiento de voz que cualquier persona podía comprar, y exigía una pausa después de cada palabra. En 1997 Dragon NaturallySpeaking eliminó la pausa: reconocía habla continua a unas 100 palabras por minuto en una computadora doméstica, e IBM respondió con ViaVoice ese mismo año. Por primera vez un abogado, un médico o un escritor podía hablarle a una computadora y obtener texto utilizable, siempre que lo entrenara y lo corrigiera.

Menús telefónicos y las primeras evaluaciones

En 1996 BellSouth lanzó VAL, un portal de voz al que se llamaba por teléfono y que respondía preguntas habladas; de él descienden todos los sistemas telefónicos automáticos con los que usted ha discutido desde entonces. Tras bambalinas, DARPA y el Instituto Nacional de Estándares y Tecnología (NIST) organizaban evaluaciones anuales sobre grabaciones compartidas como el corpus telefónico Switchboard, y la tasa de error de palabras se convirtió en la cifra que todos los laboratorios reportaban. A partir de ahí, la historia del reconocimiento de voz es en buena medida la historia de cómo fue bajando esa cifra.

Los años 2000 llevaron el reconocimiento de voz a la nube

La precisión se estancó cerca del 80 por ciento durante casi toda la década, hasta que Google sacó el reconocimiento del dispositivo y lo llevó a sus servidores.

La meseta

Hacia 2001 los mejores sistemas transcribían habla dictada con una precisión cercana al 80 por ciento, y los años siguientes trajeron retoques más que saltos. El dictado de escritorio siguió siendo un nicho, los menús telefónicos siguieron siendo frustrantes y el financiamiento de la investigación se redujo. El modelo oculto de Márkov estaba cerca de su techo, y los modelos que lo reemplazarían todavía no tenían la capacidad de cómputo ni los datos que necesitaban.

Google Voice Search

GOOG-411, el servicio de información telefónica que Google lanzó en 2007, reunió millones de consultas habladas. En noviembre de 2008 llegó Google Voice Search como app para iPhone, y el reconocimiento cambió de forma: el teléfono solo grababa, y el reconocimiento se hacía en los centros de datos de Google con modelos mucho más grandes de lo que cabía en cualquier dispositivo, entrenados con 230,000 millones de palabras de consultas de búsqueda. El reconocimiento pasó de ser un programa a ser un servicio, y así sigue hoy.

El aprendizaje profundo redujo las tasas de error a menos de la mitad en los años 2010

Entre 2011 y 2017 la tasa de error de palabras en conversaciones telefónicas bajó de poco más del 10 por ciento a cerca del 5 por ciento, y los asistentes de voz entraron en los hogares.

Siri y los asistentes

Apple lanzó Siri con el iPhone 4S en octubre de 2011, Amazon le siguió con Alexa en el Echo en 2014 y Google con Google Home en 2016. Los asistentes importaron menos por su reconocimiento, que funcionaba en la nube igual que Google Voice Search, que por el hábito que crearon: cientos de millones de personas empezaron a hablar con máquinas a diario, y cada frase se convirtió en datos de entrenamiento.

El salto a las redes neuronales

En 2012 investigadores de Microsoft, Google, IBM y la Universidad de Toronto, entre ellos Geoffrey Hinton, publicaron un artículo conjunto que demostraba que las redes neuronales profundas entrenadas en la parte acústica del problema reducían las tasas de error hasta en un tercio frente a los modelos de mezclas gaussianas que los sistemas HMM habían usado durante 25 años. Deep Speech, de Baidu, fue más lejos en 2014 y entrenó una sola red recurrente de extremo a extremo, del audio a los caracteres, sin diccionario de pronunciación ni cadena de procesamiento armada a mano. El reconocimiento se convirtió en un problema de aprendizaje profundo, y los laboratorios con más GPU y más datos tomaron la delantera.

La carrera por la paridad humana

El benchmark Switchboard, un conjunto de conversaciones telefónicas grabadas, se convirtió en el marcador de referencia. En octubre de 2016 Microsoft informó de una tasa de error de palabras del 5.9 por ciento, la misma que la de los transcriptores profesionales que contrató para trabajar esas mismas llamadas, y lo llamó paridad humana. IBM respondió con un 5.5 por ciento en marzo de 2017, Google anunció un 4.9 por ciento en sus propios conjuntos de prueba en mayo, y en agosto de 2017 Microsoft llegó al 5.1 por ciento frente a una referencia humana más rigurosa. El gráfico de abajo, del informe Internet Trends de Mary Meeker de 2017, muestra cómo la precisión por palabra de Google supera el 95 por ciento. Ese mismo año se publicó la arquitectura Transformer, y en menos de tres años también se había impuesto en el reconocimiento de voz.

Whisper y el Transformer pusieron la transcripción al alcance de cualquiera

El entrenamiento autosupervisado y un solo modelo abierto convirtieron la transcripción multilingüe precisa, antes una capacidad exclusiva de las grandes tecnológicas, en algo que cualquier producto puede ofrecer.

Aprender de audio sin etiquetar

El cuello de botella de los años 2010 eran los datos etiquetados: cada hora de entrenamiento necesitaba una transcripción hecha por humanos. En 2020, wav2vec 2.0, de Facebook AI, aprendió primero representaciones del habla a partir de audio en bruto sin transcribir y necesitó apenas diez minutos de habla etiquetada para afinar un reconocedor utilizable. Conformer, de Google, publicado ese mismo año, combinó la convolución con la atención del Transformer y marcó nuevos récords en los benchmarks estándar. Entre los dos convirtieron al Transformer en la arquitectura por defecto para el habla y abarataron el costo de añadir un idioma nuevo.

Whisper

En septiembre de 2022 OpenAI publicó Whisper, entrenado con 680,000 horas de audio recopiladas de la web, con cobertura de casi 100 idiomas y con los pesos del modelo publicados para que cualquiera pudiera ejecutarlo. No era el sistema más preciso en todos los benchmarks, pero resistía los acentos, el ruido de fondo y el vocabulario técnico como no lo hacían los modelos académicos anteriores, y era gratis. En cuestión de meses estaba dentro de miles de productos, y la pregunta para las empresas de transcripción dejó de ser si podían reconocer el habla y pasó a ser qué construían alrededor de la transcripción.

La identificación automática del idioma tiene su propia historia

Saber en qué idioma se habla es un problema distinto de saber qué palabras se dicen, y también tardó sus buenos 50 años en resolverse.

De la estadística de fonemas a los i-vectors

Los primeros experimentos de identificación del idioma, en los años 70, distinguían las lenguas por la estadística de sus sonidos. En los 90 eso dio lugar al enfoque fonotáctico: se pasa un reconocedor de fonemas y luego se comprueba qué patrones fonéticos de qué idioma encajan mejor; en 1996 el NIST puso en marcha sus evaluaciones formales de reconocimiento de idiomas (Language Recognition Evaluations). En los años 2010, el i-vector, un resumen compacto de una grabación tomado prestado del reconocimiento del hablante, permitió crear sistemas capaces de identificar un idioma con unos pocos segundos de audio.

Integrada en el modelo

Los reconocedores multilingües modernos funden los dos problemas en uno. Whisper y sus sucesores predicen el idioma como primer token de la transcripción, de modo que la identificación es un subproducto del reconocimiento y no un paso aparte. Eso es lo que permite que un solo producto maneje 54+ idiomas sin un reconocedor distinto para cada uno, y la razón de que el idioma que usted habla haya dejado de ser un límite para lo que puede transcribir.

Dónde está el ASR hoy

Con audio claro y bien grabado, el ASR moderno es un problema casi resuelto, así que hoy los motores se diferencian en el audio difícil y en lo que hacen una vez que existe la transcripción.

Las puntuaciones de los motores serios en los benchmarks se han igualado, así que la pregunta para un proveedor ya no es «¿qué precisión tiene?», sino cómo trata su audio y qué hace con la transcripción. Sonix es un ejemplo real de ASR en producción en 2026:

Precisión, medida con honestidad

Sonix alcanza una precisión del 99% con audio claro y de buena calidad, y devuelve una grabación de una hora en unos 5 a 6 minutos con su transcripción automática. Toda cifra de precisión, también la nuestra, depende del audio, así que la única prueba que cuenta es la que haga con sus propias grabaciones.

Idiomas

Sonix transcribe y traduce en 54+ idiomas. Los modelos de la era Whisper convirtieron la cobertura amplia de idiomas en algo habitual y no excepcional, y la precisión en cada idioma depende de cuánto audio de entrenamiento existe en él.

En tiempo real

La transcripción en tiempo real genera subtítulos en menos de 2 segundos mientras la gente sigue hablando, un beneficio directo de la arquitectura de extremo a extremo.

Quién dijo qué

Los motores ya separan a los hablantes de forma automática, una tarea llamada diarización de hablantes; nuestra guía de diarización de hablantes explica cómo funciona y dónde todavía tropieza.

Más allá de la transcripción

Los resúmenes, los capítulos y la traducción convierten el texto en bruto en algo con lo que se puede trabajar. El ASR ha pasado a ser la primera etapa de un proceso de comprensión en lugar del producto final, y sus primeros 30 minutos en Sonix son gratis para que lo compruebe con su propio audio.

Hacia dónde va el ASR: audio difícil, privacidad y comprensión

La carrera de los benchmarks ha terminado, y los problemas que quedan son los menos vistosos: el audio difícil, el despliegue privado y pasar de las palabras a la comprensión.

Los casos difíciles

Las voces superpuestas, los micrófonos lejanos, los acentos marcados, el cambio de idioma a mitad de frase y el vocabulario especializado siguen empeorando los resultados de todos los motores, también el nuestro. Los modelos de extremo a extremo trajeron además un fallo nuevo: de vez en cuando alucinan texto fluido durante silencios o ruido, un problema que sigue abierto en la investigación.

En el dispositivo

Cada vez más reconocimiento se hará en teléfonos, portátiles y auriculares en lugar de en la nube, por privacidad y por velocidad. El mismo trabajo de compresión que redujo los modelos del tamaño de Whisper está llevando un reconocimiento preciso a equipos que nunca envían el audio a ninguna parte.

De la transcripción a la comprensión

Los grandes modelos de lenguaje ya resumen reuniones, responden preguntas sobre una entrevista y redactan el seguimiento de una clase, y lo hacen bien solo porque la transcripción en la que se apoyan es precisa. La voz sigue ganando terreno como interfaz; desde los años 90 se anuncia que sustituirá a todas las pantallas, y a nosotros nos bastaría con que recogiera siempre lo que la gente dijo de verdad.