Transcripción

Tipos de transcripción

Tipo	Qué contiene	Uso típico
Literal (verbatim)	Todas las palabras, incluidas dudas, falsos comienzos y muletillas	Registros legales, entrevistas de investigación
Literal limpia (intelligent verbatim)	Las palabras pronunciadas, sin muletillas ni repeticiones	Video de marketing, webinars, historias de clientes
Transcripción con marcas de tiempo	Texto dividido en fragmentos cortos con hora de inicio y de fin	Subtítulos ocultos, subtítulos, búsqueda dentro del video
Transcripción editada	Reescrita para leerse, con títulos	Artículos de blog, casos de éxito hechos a partir de una grabación

Una transcripción con marcas de tiempo siempre se puede convertir en una simple quitando las marcas. Lo contrario exige volver a alinear el texto con el audio.

Cómo funciona la transcripción automática

Los sistemas de reconocimiento automático del habla (ASR) pasan una grabación por una cadena corta de pasos:

1. Extracción del audio. La pista de sonido se separa del video y se convierte a un formato estándar, normalmente mono con una frecuencia de muestreo fija.
2. Detección de actividad de voz. Se identifican y se omiten los pasajes sin habla, como la música de fondo o el silencio.
3. Reconocimiento. Un modelo neuronal convierte el habla en palabras y detecta el idioma. Los modelos actuales se entrenan con muchos idiomas a la vez.
4. Alineación. A cada segmento de texto se le asignan una hora de inicio y una de fin, y eso es lo que convierte una transcripción en subtítulos.

¿Qué precisión tiene la transcripción?

La precisión suele medirse como tasa de error de palabras (WER): la proporción de palabras sustituidas, omitidas o insertadas en comparación con una transcripción de referencia correcta. Con habla clara grabada con un buen micrófono, los modelos actuales cometen pocos errores. La precisión baja con:

• música de fondo y ruido de público en eventos;
• varias personas hablando a la vez en una mesa redonda;
• acentos marcados o cambios de idioma en mitad de una frase;
• nombres de marca, códigos de producto, siglas y jerga interna, que el modelo ha visto pocas veces o nunca.

El último punto es el que más importa a los equipos de marketing. Una transcripción que escribe el nombre de un producto de tres formas distintas sigue siendo localizable por las demás palabras, pero no debe publicarse como subtítulos hasta que alguien la haya corregido. Los sistemas que aceptan una lista de grafías preferidas reducen este tipo de error.

Transcripción de video y audio en el trabajo con un DAM

La razón principal para transcribir una biblioteca multimedia es la búsqueda. Sin transcripción, un video solo se encuentra por su título, sus etiquetas y su descripción. Con ella, cada palabra hablada se convierte en texto en el que se puede buscar:

• Un responsable de marketing de producto busca «huella de carbono» y encuentra las tres entrevistas a clientes en las que un cliente la menciona, y no solo el video titulado «Sostenibilidad».
• Un revisor legal comprueba todos los webinars grabados que mencionan una oferta descatalogada antes de abrir el archivo a los socios.
• Un equipo de contenido encuentra una frase citable de una keynote del director general y la convierte en una publicación social.
• Un archivo de podcasts se puede buscar por tema, invitado y producto.

Las transcripciones también producen subtítulos para la accesibilidad, dan a los traductores un texto de origen y dan al equipo de metadatos material para resúmenes y palabras clave. El criterio de conformidad 1.2.1 de las WCAG 2.2 pide una alternativa textual, normalmente una transcripción, para el contenido grabado solo de audio, como los podcasts.

Errores habituales:

• Tratar una transcripción automática como una cita aprobada. Comprueba la grabación antes de citar a un cliente.
• Transcribir solo las nuevas importaciones, lo que deja el archivo sin poder buscarse.
• Traducir a partir de una transcripción automática sin corregir, lo que lleva sus errores a todos los idiomas.

Transcripción en Freedam

• Los archivos de video y de audio se transcriben automáticamente al importarlos, sin ningún ajuste por archivo. El idioma se detecta automáticamente y se guarda en la transcripción.
• La transcripción se ejecuta en los servidores propios de Freedam; el audio no se envía a un servicio de transcripción externo.
• Los videos sin habla, o solo con música, se marcan como No se detectó voz en lugar de recibir una transcripción vacía.
• En los videos, la transcripción se convierte en una pista de subtítulos. El editor de transcripciones muestra el video junto al texto con marcas de tiempo, resalta la línea que se está pronunciando y guarda las correcciones en la pista. Las transcripciones se descargan como VTT, SRT o texto simple. Consulta las transcripciones de video.
• Las transcripciones de video y de audio se añaden al índice de búsqueda, de modo que una frase pronunciada en una grabación la encuentra en la búsqueda de la galería. Una transcripción traducida a otro idioma hace que el recurso se pueda encontrar en ese idioma. Consulta la búsqueda.
• Los administradores enumeran los nombres de marca y de producto en la página de Glosario, y esas grafías se dan al modelo de transcripción en cada transcripción nueva.

Preguntas frecuentes

¿Cuál es la diferencia entre una transcripción y los subtítulos?

Una transcripción es el texto de lo que se dice, para leerse por sí solo. Los subtítulos son el mismo texto dividido en fragmentos cortos con marcas de tiempo y mostrado sobre el video, y además describen los sonidos relevantes para los espectadores que no pueden oírlos.

¿Puedo buscar un video por las palabras que se dicen en él?

Sí, cuando el video tiene una transcripción y la biblioteca la indexa. La transcripción se trata como cualquier otro campo de texto, así que una búsqueda de una frase devuelve los videos en los que se pronuncia.

¿Qué idiomas puede gestionar la transcripción automática?

Los modelos actuales de reconocimiento del habla son multilingües y detectan el idioma por sí mismos. La precisión es mayor para los idiomas muy hablados y para las grabaciones en un solo idioma.