Cómo funciona el dictado por voz

Reconocimiento de voz y texto a voz: en qué se diferencian

El reconocimiento de voz convierte la voz en texto; la síntesis, el texto en voz. Cómo funciona cada uno, dónde se cruzan (números, fechas, nombres), en qué se distinguen de ambos los códecs de voz y por qué una app de dictado no lee el texto en voz alta.

MacWindowsiPhoneAndroid

En resumen

El reconocimiento de voz (ASR) escucha y escribe: entra audio, sale texto. La síntesis de voz (TTS) lee y habla: entra texto, sale audio. A menudo aparecen juntos en los asistentes de voz, pero son tecnologías distintas, con entrenamiento, resultado y medidas de calidad diferentes. Una tercera tecnología, el códec de voz, solo reduce el audio para enviarlo y no hace ninguna de las dos cosas.

Mensajes

Dijiste

la reunión se ha movido al doce a las tres y media de la tarde

SayVelio escribió

La reunión se ha movido al día 12 a las 15:30.

Direcciones opuestas

Reconocimiento de voz (ASR)Síntesis de voz (TTS)Códec de voz
EntradaAudio de alguien hablandoTexto escritoAudio
SalidaTextoAudio de voz sintéticaEl mismo audio, más pequeño
Pregunta clave¿Qué palabras se dijeron?¿Cómo debe sonar este texto?¿Cómo enviar este sonido con eficiencia?
Uso típicoDictado, subtítulos, búsqueda por vozLectores de pantalla, navegación, audiolibrosLlamadas, mensajes de voz
Calidad medida porTasa de error de palabrasValoraciones de naturalidad e inteligibilidadPruebas de escucha a un bitrate dado

Un asistente de voz usa los dos: reconocimiento para entender tu pregunta y síntesis para responder en voz alta. Pero uno no implica el otro. SayVelio es una app de dictado: reconoce la voz y escribe texto, y no lee nada en voz alta.

El reconocimiento de voz convierte una forma de onda en texto; la síntesis convierte texto en una forma de onda
ASR: de voz a texto. TTS: de texto a voz.

Cómo funciona la síntesis de voz

Un sistema TTS típico trabaja por etapas:

  1. Análisis del texto. Desarrollar abreviaturas y números en palabras (¿«Dr.» es «doctor» o «doctora»?) y elegir la pronunciación correcta cuando hace falta contexto («el 1/2» puede ser «un medio» o «uno de febrero»).
  2. Prosodia. Decidir el ritmo, las pausas, el énfasis y la entonación, para que una pregunta suene a pregunta.
  3. Modelo acústico. Predecir cómo debe sonar la voz a lo largo del tiempo, a menudo como un espectrograma.
  4. Vocoder. Convertir esa predicción en una forma de onda real que se pueda reproducir.

Un ejemplo conocido es Tacotron 2 de Google (2018), que predice un espectrograma mel a partir del texto y usa un vocoder neuronal para producir el audio. Muchos sistemas más nuevos fusionan o reordenan estas etapas, pero la tarea de cada una sigue ahí.

Los desarrolladores pueden guiar la síntesis con SSML (Speech Synthesis Markup Language), un estándar del W3C para marcar pausas, énfasis, pronunciación y cómo leer fechas y similares. El soporte de cada función de SSML varía según el motor.

Donde se cruzan: números, fechas y nombres

Las dos direcciones tropiezan con lo mismo, desde lados opuestos:

  • El dictado tiene que convertir «doce cincuenta» dicho en voz en algo escrito: ¿12:50? ¿1250? ¿12,50 €? Es la normalización inversa del texto, descrita en de la transcripción al texto.
  • La síntesis tiene que convertir «12/05» escrito en voz: ¿doce de mayo o cinco de diciembre? Es la normalización del texto.

Están relacionadas, pero no son espejos exactos, porque la respuesta correcta depende del contexto en ambos sentidos. Los nombres también son difíciles en las dos direcciones: un reconocedor tiene que saber cómo se escribe un nombre que oye (para eso está el diccionario) y un sintetizador, cómo se pronuncia uno que lee.

Los códecs son una tercera cosa aparte

Un códec de voz como Opus representa con menos bits un audio que ya existe, para enviarlo o guardarlo. No crea voz a partir de texto ni decide qué palabras dijo alguien. Un producto que transcribe voz no tiene por qué sintetizarla ni usar un códec concreto. Más en compresión de audio para voz.

Los dos usan aprendizaje automático, de forma distinta

ASR y TTS modernos se basan en redes neuronales y aprenden de pares de audio y texto. Pero sus objetivos son opuestos: a ASR se le juzga por acertar las palabras, y a TTS, por si la gente encuentra la voz natural y fácil de entender. Un modelo excelente en una cosa no sabe hacer automáticamente la otra.

Preguntas frecuentes

¿SayVelio puede leerme mi texto en voz alta?

No. SayVelio sirve para escribir con la voz. Para que te lean un texto, usa la función integrada de tu sistema: Contenido leído en Mac y iPhone, Narrador en Windows y Seleccionar para pronunciar en Android.

¿«Voz a texto» es lo mismo que «reconocimiento de voz»?

Normalmente se usan como sinónimos, pero en sentido estricto el reconocimiento de voz también puede referirse a identificar quién habla. SayVelio reconoce lo que dices, no quién eres.