Conversión de voz a texto - Una plataforma de transcripción automática de alta precisión hecha posible con Amazon Transcribe

La demanda de conversión de voz a texto y las características de Amazon Transcribe

Las necesidades de convertir voz en texto, como la elaboración de actas de reuniones, el análisis de llamadas en centros de atención telefónica, la generación de subtítulos para contenido de vídeo y la entrada por voz de historias clínicas, se están ampliando rápidamente. Amazon Transcribe es un servicio de reconocimiento automático de voz (ASR) basado en aprendizaje profundo que convierte en texto con alta precisión archivos de audio y flujos de audio en tiempo real. Admite 100 o más idiomas y dialectos, y también logra un nivel alto de precisión en el reconocimiento del japonés. A continuación se muestra un ejemplo de configuración para utilizar el streaming en tiempo real de Transcribe mediante WebSocket.

const url = `wss://transcribestreaming.ap-northeast-1.amazonaws.com:8443
  /stream-transcription-websocket
  ?language-code=ja-JP&media-encoding=pcm&sample-rate=16000`;

Ofrece de forma estándar funciones de posprocesamiento como la inserción automática de signos de puntuación, la conversión del formato de los números y el filtrado de expresiones inapropiadas.

Transcripción en tiempo real y procesamiento por lotes

Transcribe ofrece dos modos: streaming en tiempo real y procesamiento por lotes. En el streaming en tiempo real, el audio se envía a través de una conexión WebSocket y los resultados de texto se reciben en un plazo de unos segundos. Es ideal para los subtítulos en directo de reuniones, los asistentes en tiempo real de los centros de atención telefónica y la generación automática de subtítulos de retransmisiones en directo. Con los resultados parciales (Partial Results), se puede lograr una UX que muestra el texto provisional incluso mientras se habla y lo actualiza al texto definitivo con el resultado final. En el procesamiento por lotes, los archivos de audio almacenados en S3 se procesan de forma asíncrona y los resultados se escriben en S3 en formato JSON. Se puede aprovechar para la transcripción en bloque de grandes cantidades de grabaciones y para hacer que el audio archivado se pueda buscar. La función de identificación de hablantes (Speaker Diarization) distingue automáticamente a varios hablantes y registra quién habló y cuándo. Con la identificación de canales, también es posible reconocer los canales izquierdo y derecho de una grabación estéreo como hablantes distintos.

Vocabulario personalizado y enfoques para mejorar la precisión

La función de vocabulario personalizado de Transcribe mejora la precisión del reconocimiento de términos técnicos propios del sector, nombres de productos, nombres de personas, etc. Al registrar en la lista de vocabulario personalizado las palabras y su pronunciación (notación IPA), se pueden convertir con exactitud en texto términos que el modelo estándar tiene dificultades para reconocer. Los modelos de lenguaje personalizados (CLM) ajustan el modelo con datos de texto específicos del dominio y logran una precisión de reconocimiento optimizada para el contexto de un sector u organización concretos. Transcribe Medical es un modelo especializado en el ámbito médico que reconoce con alta precisión términos médicos, nombres de medicamentos y términos anatómicos. Funciona en entornos conformes con HIPAA y se puede aprovechar para la entrada por voz de historias clínicas y la generación automática de notas clínicas. Transcribe Call Analytics está especializado en el análisis de llamadas de centros de atención telefónica y ofrece detección de sentimiento, clasificación de llamadas por categorías y detección automática de problemas.

Procesamiento de voz bidireccional combinado con Polly

Al combinar Transcribe y Polly, se puede construir un pipeline de procesamiento de voz bidireccional que va desde la entrada de voz, pasando por el procesamiento de texto, hasta la salida de voz. Es un flujo de trabajo en el que la voz del usuario se convierte en texto con Transcribe, se ejecutan el procesamiento de lenguaje natural y la lógica de negocio con Lambda y, después, la respuesta se convierte en voz con Polly y se devuelve. Si se integra con Amazon Lex, se puede construir un sistema completo de diálogo por voz que incluye el reconocimiento de intenciones y la extracción de slots. Mediante la integración con Amazon Connect, se pueden incorporar un reconocimiento de voz de alta precisión y una síntesis de voz natural al sistema IVR (respuesta de voz interactiva) del centro de contacto. Cuando se necesita compatibilidad multilingüe, también se puede construir un pipeline de interpretación en tiempo real que reconoce la voz con Transcribe, traduce el texto con Amazon Translate y después genera la voz del idioma de destino con Polly. Mediante la integración con Kinesis Video Streams, también se puede transcribir en tiempo real la pista de audio de un vídeo en directo.

Precios de Transcribe

(A fecha de agosto de 2026 / Norte de Virginia / Tokio) Transcribe se cobra por los segundos de audio procesados, con pago por uso por segundo y sin un tiempo mínimo de uso. La transcripción por lotes cuesta 0.0001 USD por segundo (0.006 USD por minuto) y la transcripción en streaming, 0.0001667 USD por segundo (0.01 USD por minuto), y ambos precios unitarios son iguales en Norte de Virginia y Tokio. En el ejemplo de precios oficial, al procesar por lotes 2 millones de minutos al mes se aplica tal cual el mismo precio unitario, y se indica un importe mensual de 12,000 USD. La capa gratuita de 12 meses de las cuentas antiguas creadas antes del 15 de julio de 2025 cubría hasta 60 minutos al mes (las cuentas nuevas posteriores tienen un plan gratuito basado en créditos de hasta 200 USD). Call Analytics no se cobra como recargo sobre la tarifa normal de transcripción, sino con un precio unitario integrado propio. Los primeros 250,000 minutos al mes cuestan 0.0005 USD por segundo (0.03 USD por minuto / igual en ambas regiones), y en los tramos que superan esa cifra el precio unitario baja de forma escalonada. El vocabulario personalizado / el filtrado de vocabulario / la separación de hablantes / la identificación de idioma están incluidos en el precio estándar y no se cobran aparte. Los modelos de lenguaje personalizados (CLM) no tienen cargo por el entrenamiento en sí, y solo se suma una tarifa adicional a los trabajos de transcripción que aplican un CLM (los primeros 250,000 minutos al mes cuestan 0.0001 USD por segundo / igual en ambas regiones. En los tramos superiores el precio disminuye, y en el tramo más barato es de 0.000033 USD por segundo en Norte de Virginia y de 0.000045 USD en Tokio). Medical Transcribe cuesta 0.00125 USD por segundo (0.075 USD por minuto), y también en este caso el precio es igual en ambas regiones.

Resumen - Construcción de una plataforma de conversión de voz a texto

Amazon Transcribe es un servicio que ofrece, de forma totalmente administrada, conversión de voz a texto de alta precisión basada en aprendizaje profundo. Cuenta con los dos modos de streaming en tiempo real y procesamiento por lotes, con identificación de hablantes y con mejora de la precisión mediante vocabulario personalizado, y admite 100 o más idiomas. Se puede aprovechar como base de diversas aplicaciones de voz, como el procesamiento de voz bidireccional combinado con Polly, los sistemas de diálogo por voz mediante la integración con Lex y la interpretación en tiempo real integrada con Translate. Con la integración con S3, Lambda y Kinesis Video Streams, es posible construir un pipeline de procesamiento de voz serverless.