Cómo funciona el dictado por voz

¿Qué precisión tiene el dictado por voz? Tasa de error, velocidad y límites reales

Cómo se mide la precisión del reconocimiento de voz (tasa de error de palabras), qué dicen los estudios sobre la velocidad del dictado frente a teclear, qué empeora los resultados y qué palabras conviene revisar siempre.

MacWindowsiPhoneAndroid

En resumen

La precisión suele medirse con la tasa de error de palabras (WER): palabras sustituidas, omitidas e insertadas divididas entre las que realmente se dijeron. Es útil pero estrecha: ignora la puntuación, el formato y el significado. Los estudios muestran que hablar es unas tres veces más rápido que teclear en el móvil. Los errores se concentran en nombres, cifras y ruido, así que esas son las palabras que hay que revisar antes de enviar.

Gmail

Dijiste

por favor transfiera mil quinientos no cinco mil a la cuenta del proveedor

SayVelio escribió

Por favor, transfiera 1500, no 5000, a la cuenta del proveedor.

Tres tipos de error

Cuando un reconocedor se equivoca, hace una de estas tres cosas:

  • Sustitución: una palabra se cambia por otra («quince» → «cincuenta»).
  • Omisión: desaparece una palabra (se pierde el «no»).
  • Inserción: aparece una palabra que no se dijo.

Tasa de error de palabras (WER)

La medida estándar cuenta esos tres tipos frente a una transcripción de referencia correcta:

WER = (sustituciones + omisiones + inserciones) ÷ número de palabras de la referencia

Un ejemplo. La referencia tiene 10 palabras: «por favor envía el informe a María antes del viernes». El sistema escribe «por favor envía el informe a Mario antes del jueves»: 2 sustituciones, 0 omisiones, 0 inserciones. WER = 2 ÷ 10 = 20 %.

La tasa de error cuenta palabras sustituidas, omitidas e insertadas frente a las que se dijeron
Tasa de error de palabras: (S + D + I) ÷ N

Lo que la WER no cuenta

La WER es una buena medida técnica y un mal resumen de la experiencia de uso:

  • Todas las palabras pesan igual. Perder «el» y perder «no» cuestan un error cada uno, aunque solo uno da la vuelta al sentido.
  • Depende de las reglas de cómputo. ¿«5» frente a «cinco» es error? ¿«OK» frente a «okey»? El resultado cambia según cómo se normalice el texto antes de comparar.
  • Ignora la puntuación y el formato, la parte que hace la limpieza.
  • Va atada a su conjunto de prueba. Una WER baja con voz leída y limpia dice poco de tu acento, tu micrófono o el vocabulario de tu sector.

Así que comparar dos productos solo tiene sentido con el mismo audio, el mismo idioma, la misma tarea y las mismas reglas. Un nombre de marca o una promesa publicitaria de velocidad no sustituyen esa comparación.

¿Cuánto más rápido es dictar que teclear?

Esto es lo que encontraron estudios revisados por pares:

Velocidad media en palabras por minuto: teclado físico 52, teclado del móvil 36, voz en el móvil 153
Palabras por minuto en tres estudios: hablar es unas tres veces más rápido que teclear
MétodoVelocidad mediaEstudio
Teclado físico52 palabras por minutoDhakal et al., CHI 2018, 168 000 voluntarios
Teclado en pantalla del móvil36,2 palabras por minutoPalin et al., MobileHCI 2019, 37 370 voluntarios
Voz en el móvil (inglés)153 palabras por minutoRuan et al., 2017, mensajes cortos en laboratorio
Teclado del móvil en ese mismo estudio52 palabras por minutoRuan et al., 2017

En el estudio de Stanford de Ruan y su equipo, la voz fue 2,93 veces más rápida que el teclado del móvil en inglés y 2,87 veces en chino mandarín. Hubo que corregir menos errores por el camino (tasa de errores corregidos del 5,3 % frente al 11,2 % en inglés), aunque en el texto final dictado quedaron algo más de errores (1,3 % frente a 0,8 %). Los estudios usaron tareas y personas distintas, así que toma la comparación como una imagen aproximada, no como una proporción exacta. En el trabajo real también se dedica tiempo a pensar y revisar, así que la ganancia diaria es menor que en el laboratorio, pero sigue siendo grande en mensajes largos.

Qué empeora los resultados

La velocidad también tiene un coste

La espera total suma varias partes: terminar la grabación, enviarla, reconocerla, la limpieza opcional e insertar el texto. Los sistemas en streaming además tienen que decidir cuándo fijar las palabras, equilibrando texto temprano frente a correcciones posteriores. En SayVelio eliges con los modos de dictado: Rápido inserta el texto reconocido sin limpieza, y Equilibrado y Máxima calidad añaden limpieza para un texto más pulido.

Revisa siempre esto antes de enviar

En los textos importantes, tú eres la última revisión. Mira dos veces:

  • números e importes, incluidas monedas y decimales;
  • nombres de personas, empresas y productos;
  • negaciones: «no», «nunca», «ningún»;
  • fechas y horas;
  • instrucciones médicas, legales y financieras;
  • todo lo que una limpieza haya podido reformular.

Corregir con facilidad hace útil el dictado aunque no sea perfecto, pero la comodidad no prueba que no haya habido errores.

Fuentes

  • Dhakal, V., Feit, A. M., Kristensson, P. O., Oulasvirta, A. Observations on Typing from 136 Million Keystrokes. CHI 2018. Resumen de la Universidad de Cambridge
  • Palin, K., Feit, A. M., Kim, S., Kristensson, P. O., Oulasvirta, A. How do People Type on Mobile Devices? Observations from a Study with 37,000 Volunteers. MobileHCI 2019. Página del proyecto
  • Ruan, S., Wobbrock, J. O., Liou, K., Ng, A., Landay, J. A. Comparing Speech and Keyboard Text Entry for Short Messages in Two Languages on Touchscreen Phones. Proceedings of the ACM on Interactive, Mobile, Wearable and Ubiquitous Technologies, 2017. arXiv:1608.07323

Preguntas frecuentes

¿Qué WER se considera buena?

Depende del audio y de la tarea. Un dictado claro en una sala tranquila con un modelo actual suele tener una WER de pocas unidades, mientras que las grabaciones ruidosas con varias personas pueden ser mucho más altas. Compara sistemas solo con el mismo audio y las mismas reglas.

¿Puede la WER pasar del 100 %?

Sí. Las inserciones también cuentan, así que un sistema que añade muchas palabras que no se dijeron puede cometer más errores que palabras había.