Reconocimiento de voz (ASR)

Hasta 2022 el reconocimiento de voz era irregular: funcionaba aceptablemente en inglés en condiciones ideales pero fallaba con acentos, ruido de fondo o terminología especializada. La llegada de Whisper (modelo open-source de OpenAI publicado en septiembre de 2022) cambió el panorama: tasas de error bajas en más de 90 idiomas y tolerancia robusta al ruido. Whisper puso el reconocimiento de voz de calidad al alcance de cualquier desarrollador, sin coste de licencia. En abril de 2026 los principales sistemas son <strong>Whisper v3 large</strong> (OpenAI, gratuito y open-source), <strong>Deepgram Nova 3</strong> (comercial, líder en latencia baja para tiempo real), <strong>Google Cloud Speech-to-Text</strong> y <strong>Azure Speech</strong> (integrados en sus respectivos clouds), <strong>AssemblyAI</strong> (popular para transcripción de podcasts y reuniones), y los módulos integrados en los grandes asistentes (ChatGPT Voice, Google Gemini Live, Microsoft Copilot voz). La calidad típica en castellano es ya equivalente a la transcripción humana profesional para audio limpio. En audio con varios hablantes superpuestos, ruido fuerte o acentos muy marcados sigue habiendo un margen de error notable. La latencia para conversación en tiempo real ha bajado por debajo de 200 ms en los mejores sistemas, suficiente para asistentes de voz naturales. El coste es despreciable: Whisper en local cuesta solo electricidad, las APIs cobran del orden de 0,005 a 0,03 dólares por minuto de audio. Una hora de transcripción cuesta menos de 1 euro frente a los 30-60 euros que cobra un transcriptor humano profesional.