Definición
La transcripción streaming (también llamada transcripción en tiempo real o speech-to-text en vivo) es el proceso de convertir el audio de una conversación en texto mientras la conversación está ocurriendo. La diferencia respecto a la transcripción por lotes (batch) es la latencia: en streaming, el texto aparece en pantalla segundos después de que las palabras fueron pronunciadas; en batch, la transcripción se genera después de que la sesión termina. Para un co-pilot en vivo, el streaming es un requisito técnico — no puede detectar una señal de crisis en tiempo real si el audio se procesa post-sesión.
Cómo se usa
Los sistemas de transcripción streaming modernos usan modelos de reconocimiento automático del habla (ASR, Automatic Speech Recognition) que procesan fragmentos de audio de 100-500 ms y los convierten en texto con corrección contextual continua. El texto resultante suele aparecer primero como hipótesis provisional (puede cambiar) y luego como transcripción confirmada.
La calidad depende de múltiples factores: velocidad del habla, acento, ruido de fondo, calidad del micrófono, y la cantidad de vocabulario técnico en el dominio (términos clínicos, jerga de coaching). Los sistemas bien ajustados para vocabulario clínico en español producen precisiones superiores al 95% en condiciones de audio adecuadas.
En sesiones bilingües o con cambio de código (code-switching), la transcripción streaming debe detectar el idioma en tiempo real para no mezclar sistemas de vocabulario de forma inadecuada.
Cuándo aplicar
La transcripción streaming es el fundamento técnico de cualquier asistente de sesión en vivo. Sin ella, no hay co-pilot. Sin embargo, la transcripción streaming también es útil de forma independiente: permite al profesional consultar una cita textual del cliente durante la sesión, sin depender de la memoria, o capturar momentos exactos que pueden ser relevantes para la nota clínica.
Origen histórico
Los primeros sistemas de reconocimiento de voz en tiempo real eran costosos y requerían hardware especializado. La democratización llegó con los modelos de deep learning y los avances en procesamiento de audio de los años 2010-2020. El lanzamiento de APIs de transcripción en tiempo real a precios accesibles a partir de 2018-2019 abrió la puerta a integrar transcripción streaming en aplicaciones de terceros.
Cómo lo soporta CauceOS
CauceOS integra transcripción streaming multilingüe (español neutro global, inglés, y detección automática de idioma) en todas las sesiones. El texto aparece en el panel del profesional con latencia de 2-3 segundos. La transcripción incluye diarización de hablantes para distinguir al profesional del cliente en el registro textual.
Términos relacionados
- Diarización — identifica quién está hablando dentro de la transcripción
- Co-pilot en vivo — el sistema que usa la transcripción para generar alertas y sugerencias
- Traducción cruzada en vivo — extensión de la transcripción a sesiones bilingües
Referencias
- Bahdanau, D., Cho, K., & Bengio, Y. (2015). Neural machine translation by jointly learning to align and translate. ICLR 2015.
- Radford, A., et al. (2023). Robust speech recognition via large-scale weak supervision. ICML 2023.