Saltar a la lectura de la página

Qué es el reconocimiento de voz y qué decide si tu asistente te entiende

Qué es el reconocimiento de voz, cómo convierte tu habla en órdenes y qué specs del parlante deciden si te entiende con la tele encendida.

qué es el reconocimiento de voz

El reconocimiento de voz es la tecnología que convierte el habla en texto y ese texto en una orden que el asistente ejecuta: subir el volumen, poner una playlist o apagar la luz de la sala. Con el partido del domingo sonando fuerte, la spec que decide si el parlante te entiende es la cantidad de micrófonos de campo lejano (los que captan tu voz a varios metros, y no a centímetros como el del celular), porque el modelo en la nube no recupera una voz que llegó tapada por el narrador. La calidad del proceso completo se mide con un porcentaje, la tasa de error por palabra, y ningún fabricante de parlantes la publica para el español de Colombia.

¿Cómo funciona el reconocimiento de voz paso a paso?

El reconocimiento de voz funciona en cuatro etapas: el micrófono capta la onda sonora, un chip la convierte en datos digitales, un modelo de aprendizaje automático traduce esos datos a palabras y un segundo modelo interpreta la intención de la frase. Las dos primeras etapas ocurren dentro del parlante y las otras dos, en servidores remotos.

La digitalización mide el sonido miles de veces por segundo. Los sistemas de reconocimiento trabajan con 16 kHz, es decir, 16.000 muestras por segundo, una frecuencia que conserva los sonidos de la voz hasta 8 kHz; en la parte alta de ese rango están consonantes como la s y la f.

Con el audio digitalizado empieza el procesamiento de audio: el software corta la señal en ventanas de unos 25 milisegundos, extrae de cada una un mapa de frecuencias y el modelo compara esos mapas con las miles de horas de habla con las que se entrenó, hasta elegir la secuencia de palabras más probable.

Cada transcripción es una apuesta.

La palabra de activación se detecta en el propio equipo

La palabra de activación (“Alexa”, “Ok Google”, “Oye Siri”) es la única frase que el parlante reconoce por su cuenta, con un modelo pequeño que corre en su chip y escucha en bucle. Mientras no la detecta, el audio se descarta en el equipo y no sale a internet.

Pero ese modelo pequeño se equivoca. Un estudio de la Northeastern University y el Imperial College de Londres, publicado en 2020, puso series de Netflix frente a parlantes inteligentes durante horas y registró hasta 19 activaciones accidentales por día, disparadas por palabras con un sonido parecido al de la palabra de activación.

La orden viaja a la nube

Tras la palabra de activación, el parlante graba la orden y la envía a los servidores del asistente. Allí un modelo de reconocimiento automático del habla (ASR, por sus siglas en inglés) la transcribe, y un modelo de comprensión del lenguaje natural (NLU) decide si “pon algo de salsa” pide música de Grupo Niche o una receta.

Ese viaje explica la pausa entre el final de la frase y la respuesta, y también por qué un wifi inestable rompe el reconocimiento aunque el micrófono haya captado bien cada palabra.

¿Cómo se mide la calidad del reconocimiento de voz?

¿Cómo se mide la calidad del reconocimiento de voz?

La calidad del reconocimiento de voz se mide con la tasa de error por palabra (WER, por sus siglas en inglés: word error rate): el porcentaje de palabras que el sistema cambia, omite o agrega frente a una transcripción humana de esa grabación. Un 5 % equivale a una palabra mal cada 20, y en una orden de cinco palabras basta un error para que el asistente haga otra cosa.

La referencia más citada viene de Microsoft Research. En agosto de 2017, su sistema llegó a 5,1 % de error en Switchboard, una colección de llamadas telefónicas grabadas en inglés, una cifra igual a la de personas que transcriben ese material de forma profesional.

Ese número tiene letra pequeña. Se midió en inglés, con audio telefónico y sin televisor de fondo, y ningún fabricante de parlantes publica su WER para el español de Medellín, Cali o Barranquilla (justo el dato que necesita quien compra). La calidad de escucha se juzga por el hardware que sí aparece en la ficha.

¿Qué specs del parlante deciden si te entiende?

Dos specs y una condición deciden si el parlante te entiende en una sala con ruido: la cantidad de micrófonos, la cancelación de eco y la distancia a la que hablas. El modelo en la nube no repara un audio que llegó sucio, así que la calidad del reconocimiento se gana o se pierde dentro del aparato, antes de que la orden salga a internet.

Micrófonos de campo lejano y beamforming

Un arreglo de micrófonos de campo lejano es un grupo de dos o más cápsulas diseñado para captar la voz a varios metros. El micrófono de un celular trabaja a centímetros de la boca.

Con varias cápsulas, el parlante aplica beamforming (formación de haz): mide cuántas fracciones de milisegundo separan la llegada de tu voz a cada micrófono, calcula su dirección y atenúa el sonido que viene de otros ángulos. El resultado es un micrófono direccional hecho por software. El Google Nest Mini de segunda generación lo consigue con tres micrófonos de campo lejano, según Google.

Cancelación de eco

La cancelación acústica de eco (AEC) resta de la grabación el audio que el propio parlante reproduce. El equipo conoce la canción que suena, la ubica en la señal de los micrófonos y la borra antes de buscar tu voz.

El límite aparece frente al televisor. Cuando el partido suena por la barra de sonido o por los parlantes del TV, el asistente no tiene esa señal de referencia: el narrador cantando un gol es ruido para el parlante, y tu “baja el volumen” compite contra él de igual a igual.

Distancia y relación señal-ruido

En un espacio abierto, el nivel de tu voz cae unos 6 dB cada vez que se duplica la distancia al micrófono. El decibel (dB) es una escala logarítmica: 10 dB más equivalen a diez veces más energía sonora. Hablar a 4 metros en lugar de a 1 metro le resta 12 dB a tu voz, mientras el televisor sigue sonando igual.

Detrás de todo está la relación señal-ruido: cuántos decibeles separan tu voz del sonido de fondo. Una conversación normal ronda los 60 dB, y un partido a volumen alto la iguala o la supera.

¿Por qué el parlante te entiende en la cocina y falla en la sala? Porque en la cocina hablas a un metro y nada compite con tu voz.

¿Qué cambia el reconocimiento de voz en el uso diario?

Las órdenes cortas con el verbo al inicio y el nombre exacto de cada dispositivo son las que el reconocimiento de voz entiende a la primera. “Apaga la luz de la sala” sale casi siempre; “oye, ¿será que le bajas un poquito a eso?” falla a cada rato, porque el NLU busca un verbo y un objeto que tenga registrados.

El sistema sí se adapta a tu voz con el uso. Voice Match, en el Asistente de Google, y el perfil de voz de Alexa guardan muestras de cada integrante de la casa, y ese aprendizaje automático sirve sobre todo para saber quién habla y personalizar el calendario o la música.

La orden se procesa en servidores ajenos. En Google, guardar el audio en tu cuenta es una opción que tú activas, y las grabaciones las borras desde la app o con el borrado automático. Sin internet, el parlante solo reconoce su propio nombre. Y las activaciones accidentales graban fragmentos de conversación que nadie quiso enviar.

Términos relacionados con el reconocimiento de voz

En las fichas técnicas y en las apps de los asistentes, el reconocimiento de voz aparece junto a siglas, y confundirlas lleva a comparar parlantes por specs ajenas a la calidad de escucha. Cada sigla nombra otra pieza.

  • ASR (reconocimiento automático del habla): convierte el audio en texto, y es la etapa que mide el WER.
  • NLU (comprensión del lenguaje natural): decide qué acción pide ese texto.
  • TTS (texto a voz): la voz con la que responde el asistente. Sonar natural no mejora la escucha.
  • Reconocimiento del hablante: identifica quién habla a partir del timbre, sin importar las palabras.
  • Dictado por voz: el ASR aplicado a escribir mensajes en el celular o el computador, sin ejecutar ninguna orden.
¿Qué no significa el reconocimiento de voz?

¿Qué no significa el reconocimiento de voz?

El reconocimiento de voz no significa que el asistente entienda una conversación ni que grabe todo el día. Reconoce patrones de sonido, los convierte en palabras probables y las cruza con una lista de acciones que sabe ejecutar; fuera de esa lista, una frase transcrita sin un solo error se queda sin respuesta.

La ficha de un parlante habla sobre todo de cómo suena, y eso no dice cómo escucha. La calidad de escucha depende de los micrófonos y del AEC, y el Nest Audio, más grande que el Nest Mini, trae tres micrófonos de campo lejano, igual que el pequeño, según Google.

Tampoco equivale a seguridad biométrica. Voice Match distingue voces para personalizar respuestas, pero una grabación de tu voz o un familiar de timbre parecido lo engaña, y por eso no reemplaza un PIN para compras o cerraduras.

Preguntas frecuentes sobre el reconocimiento de voz

¿El reconocimiento de voz funciona sin internet?

Sí, pero solo en algunos celulares. Desde iOS 15, los iPhone con chip A12 Bionic o posterior procesan en el equipo parte de los pedidos a Siri, como abrir una app o poner un temporizador, y el audio de esos pedidos no sale del teléfono. Los parlantes inteligentes necesitan conexión para cualquier orden distinta de su palabra de activación.

¿El acento colombiano afecta el reconocimiento de voz?

Sí, aunque ningún fabricante publica cuánto. Los modelos fallan más con pronunciaciones poco presentes en sus datos de entrenamiento, como la s aspirada de la costa Caribe o las frases pronunciadas muy rápido. Repetir la orden más despacio y con el verbo al inicio ayuda más que subir la voz, porque gritar distorsiona la señal en los micrófonos.

¿El botón de silencio apaga de verdad el micrófono?

Sí, en Echo y Nest. El botón de micrófono del Echo corta la alimentación eléctrica de los micrófonos y enciende una luz roja, y el interruptor del Nest Mini los desconecta y muestra luces naranjas.

¿Se puede cambiar la palabra de activación?

Sí, pero solo entre opciones de fábrica. Alexa ofrece en su app una lista corta de nombres alternativos, mientras el Asistente de Google responde nada más a “Ok Google” y “Hey Google”. Ninguna de las dos marcas acepta una palabra inventada por quien usa el parlante, porque cada palabra exige un modelo entrenado con miles de grabaciones.

Veredicto: qué mirar en un asistente según dónde lo usas

Para la sala donde el asistente compite con el partido, la spec que decide es un arreglo de tres micrófonos de campo lejano o más, y el parlante va lejos de la barra de sonido y lo más cerca posible del sofá (la cancelación de eco no borra al narrador que sale por el TV).

Para un cuarto o un escritorio, donde hablas a un metro o menos, el modelo más pequeño de cada marca alcanza: a esa distancia tu voz llega con 12 dB más que desde el otro extremo de una sala de 4 metros.

El parlante inteligente no le sirve a una casa sin wifi estable ni a quien no acepta que sus órdenes pasen por servidores ajenos. Para ese perfil, la opción que reconoce la voz sin red son los pedidos a Siri procesados en el iPhone, desde el chip A12 Bionic con iOS 15.

Fuentes consultadas

  • Microsoft Research Blog, “Microsoft researchers achieve new conversational speech recognition milestone”, 20 de agosto de 2017.
  • Dubois, D. J. y otros, “When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers”, Proceedings on Privacy Enhancing Technologies, 2020.
  • Apple Newsroom, “iOS 15 brings powerful new features to stay connected, focus, explore, and more”, 7 de junio de 2021.
  • Centro de ayuda de Google Nest, “Especificaciones técnicas de Google Nest Mini (2.ª generación)” y “Especificaciones técnicas de Nest Audio”.

Fuentes consultadas

  • apple.com: iOS 15 brings powerful new features to stay connected, focus, explore, and more - Apple Ne
  • cdc.gov: What Noises Cause Hearing Loss?
  • docs.cloud.google.com: Speech-to-Text best practices
  • kaldi-asr.org: Feature extraction
  • microsoft.com: The Microsoft 2017 Conversational Speech Recognition System
  • moniotrlab.khoury.northeastern.edu: Smart speakers study - Monr Lab, Northeastern University
  • nidcd.nih.gov: NIDCD
  • sengpielaudio.com: Calculator Distance Law
  • soniox.com: Soniox, The Voice AI Wiki
  • store.google.com: Google Nest Mini tech specs / Nest Audio tech specs
  • support.google.com: Turn on voice recognition with Voice Match; Google, Centro de ayuda de la Búsqueda