AWS Primeros Pasos
IdiomaEspañol
Machine Learning

Transcripción de voz a texto con Amazon Transcribe - Conversión en tiempo real y vocabulario personalizado

Proporciona transcripción de voz a texto tanto por lotes como en tiempo real, mejorando la precisión específica de la industria con vocabulario personalizado. También presentamos la gestión de calidad de centros de contacto con Call Analytics.

Unos 7 min de lectura

Sistema de APIs de Transcribe

Transcribe es un servicio de reconocimiento automatico de voz (ASR) que convierte audio en texto. La API por lotes procesa de forma asincrona archivos de audio almacenados en S3 (MP3, MP4, WAV, FLAC, etc.) y devuelve resultados de transcripcion en formato JSON. La API de streaming recibe audio a traves de WebSocket o HTTP/2 y devuelve el texto de la transcripcion en tiempo real. Puede utilizarse para subtitulos de transmisiones en vivo, actas de reuniones en tiempo real y asistencia en tiempo real para centros de contacto. El servicio soporta mas de 100 idiomas incluyendo japones, ingles, chino, espanol y frances, junto con numerosas variaciones dialectales. La funcion de identificacion automatica de idioma puede detectar el idioma del audio de entrada y procesarlo con el modelo apropiado.

Personalizacion para mejorar la precision

El vocabulario personalizado es una funcion para registrar palabras que tienen baja precision de reconocimiento en el modelo estandar, como terminologia especializada de la industria, nombres de productos y nombres de personas. Se definen las palabras, la pronunciacion (IPA) y el formato de visualizacion en formato de tabla y se aplican a los trabajos de transcripcion. Por ejemplo, en el campo medico se registran nombres de medicamentos y enfermedades, y en el campo de TI se registran nombres de servicios y protocolos, lo que permite mejorar la precision del reconocimiento. El modelo de lenguaje personalizado introduce datos de texto especificos del dominio (actas, manuales, FAQ) como datos de entrenamiento para construir un modelo de lenguaje especializado. La funcion de filtro de vocabulario permite enmascarar o eliminar automaticamente palabras inapropiadas de los resultados de transcripcion, util para el control de calidad de contenido de difusion y actas publicas.

Call Analytics y uso en centros de contacto

Transcribe Call Analytics es una funcion especializada en el analisis de llamadas de centros de contacto. Ademas de la transcripcion de llamadas, ejecuta automaticamente analisis de sentimiento por hablante (positivo, negativo, neutro), deteccion de interrupciones en la llamada y medicion del tiempo de silencio. La funcion de categorias permite definir reglas basadas en palabras clave o frases para clasificar automaticamente las llamadas. Por ejemplo, puede construir un flujo de trabajo que marque automaticamente las llamadas que contienen palabras clave como "cancelacion" o "queja" y las dirija a la revision del supervisor. La redaccion automatica de contenido enmascara automaticamente PII como numeros de tarjetas de credito y numeros de seguridad social. Cuando se integra con Amazon Connect, Contact Lens puede transcribir las llamadas en tiempo real.

Comparacion con otros servicios de reconocimiento de voz

Una fortaleza de Transcribe es su integracion dentro del ecosistema AWS. Se puede combinar con entrada directa desde S3, procesamiento dirigido por eventos con Lambda, integracion con Connect y encadenamiento con Comprehend (extraccion de entidades y analisis de sentimiento despues de la transcripcion). Google Cloud Speech-to-Text es el servicio de reconocimiento de voz de Google Cloud. Azure Speech Services destaca en la integracion con Microsoft 365 y la transcripcion de Teams. Los diferenciadores de Transcribe son: las capacidades integradas de analisis de llamadas via Call Analytics y el modelo especializado medico via Amazon Transcribe Medical (compatible con HIPAA). Para las organizaciones que ya almacenan grandes volumenes de datos de audio en S3 o que han construido su centro de contacto en AWS, Transcribe es una opcion a considerar.

Precios de Transcribe

Los precios de Transcribe se basan en los segundos de audio procesados. La transcripcion por lotes se cobra mensualmente con precios por niveles en incrementos de un segundo (sin minimo), las tarifas varian segun la region y la capa gratuita tiene condiciones de periodo y volumen. La transcripcion en streaming tambien se cobra con precios por niveles, con una tabla de precios separada de la de lotes. Call Analytics tiene su propia tabla de precios por niveles, separada de la transcripcion normal. El vocabulario personalizado esta incluido en el precio estandar, y los modelos de lenguaje personalizados generan un cargo adicional en los trabajos de transcripcion donde se aplican. Los grandes volumenes de archivos de audio se pueden procesar de forma asincrona mediante la API por lotes y un pipeline dirigido por eventos con S3 y Lambda. Amazon Transcribe Medical tiene precios separados y se cobra por los segundos de audio transcritos.

Mejores practicas de diseno y consideraciones

Hay consideraciones de diseno importantes al ejecutar Transcribe en produccion. La API por lotes tiene un limite predeterminado de 250 trabajos concurrentes, por lo que el procesamiento masivo de archivos requiere control de limitacion con una cola SQS. Las conexiones de la API de streaming se desconectan automaticamente despues de un maximo de 4 horas, por lo que en reuniones largas la aplicacion gestiona la reconexion. La calidad del audio impacta directamente en la precision del reconocimiento: se recomienda audio de entrada con una tasa de muestreo de 16kHz o superior. En entornos ruidosos (como lineas telefonicas de centros de llamadas), combinar vocabularios personalizados con separacion de canales (grabar cada hablante en un canal separado) permite mejorar la precision. Una configuracion posible es post-procesar los resultados de transcripcion con Comprehend para extraccion de entidades y almacenar los datos estructurados en DynamoDB.

Resumen

Transcribe es un servicio ASR que proporciona transcripcion de voz tanto por lotes como en tiempo real. Mejora la precision especifica del dominio con vocabulario personalizado y modelos de lenguaje, y automatiza la gestion de calidad de centros de contacto con Call Analytics. Con una arquitectura dirigida por eventos que combina S3 y Lambda, puede construir un pipeline de transcripcion automatica activado por la carga de archivos de audio. Su estrecha integracion con el ecosistema AWS es una fortaleza, y lo convierte en una opcion a considerar para construir infraestructura de procesamiento de voz sobre infraestructura AWS existente.

Referencias (recursos oficiales de AWS)

Las fuentes primarias de esta página son el sitio web y la documentación oficiales de AWS. Consulta las páginas oficiales siguientes para conocer las especificaciones y los precios más recientes.

Si esta página y la documentación oficial difieren, prevalece la documentación oficial.

Compartir

Servicios relacionados

Amazon Transcribe EspecializadoServicio de reconocimiento de voz automático que convierte audio en textoAmazon S3 EsencialServicio de almacenamiento de objetos escalableAWS Lambda EsencialServicio de computación serverless que ejecuta código sin gestión de servidores

Artículos relacionados

Automatización del procesamiento de documentos con Amazon Textract - Desde el OCR hasta la extracción de formularios y tablasEl reconocimiento estructural de formularios y tablas, que va más allá del OCR, extrae automáticamente datos de facturas, recibos y documentos de identidad. También se presenta la integración de la revisión humana mediante A2I.Centro de contacto en la nube con Amazon Connect - Diseño de IVR y gestión de agentesConstruya un centro de contacto en la nube con pago por uso y cero inversión inicial. Presentamos el diseño de flujos de contacto con editor visual y la gestión de calidad en tiempo real con Contact Lens.Síntesis de voz con Amazon Polly - Control de voz con motor neuronal y SSMLGenera voz natural con el motor TTS neuronal y controla la velocidad de habla, tono y pausas con etiquetas SSML. Explicamos cómo construir diversos contenidos de audio con streaming en tiempo real y síntesis asíncrona a S3.

Más sobre este tema

Entrenamiento de machine learning basado en GPU con AWS Batch - Entrenamiento a gran escala con eficiencia de costosEjecute entrenamiento GPU con sus contenedores Docker existentes y reduzca costos hasta un 90% usando instancias Spot y checkpointing. Incluye orientación sobre cuándo elegir Batch sobre SageMaker.Uso de Claude en Amazon Bedrock - Selección de modelos, diseño de prompts y optimización de costosComparamos los modelos Anthropic Claude disponibles en Amazon Bedrock, proporcionamos directrices de selección de modelos por caso de uso y cubrimos mejores prácticas de diseño de prompts y optimización de costos.Construcción de aplicaciones RAG con Amazon Bedrock Knowledge Bases - Implementación de generación aumentada por recuperaciónIndexe automáticamente documentos en S3 y unifique búsqueda y generación con la API RetrieveAndGenerate. Cubre la selección de estrategia de chunking y la seguridad con Guardrails.Primeros pasos con computación cuántica en Amazon Braket - Diseño y simulación de circuitos cuánticosCree prototipos gratis con el simulador local y ejecute circuitos cuánticos en el hardware real de IonQ y Rigetti. Presentamos técnicas para implementar VQE y QAOA con Hybrid Jobs.ML con preservación de privacidad con AWS Clean Rooms ML - Construya modelos sin compartir datosAprenda cómo construir modelos lookalike con Clean Rooms ML, aplicar privacidad diferencial y aprovechar los resultados para segmentación publicitaria.Procesamiento de lenguaje natural con Amazon Comprehend - Análisis de sentimiento y extracción de entidadesExplicamos el análisis de sentimiento, la extracción de entidades y la construcción de modelos de clasificación personalizados con Comprehend.Construcción de bots conversacionales - Interfaces de conversación natural con Amazon Lex y PollyAprenda a construir bots conversacionales utilizando Amazon Lex y Amazon Polly.Extracción de texto de documentos - Procesamiento inteligente de documentos con Amazon TextractExplicamos la extracción automática de texto, tablas y datos de formularios de documentos con Amazon Textract, y la construcción de pipelines de procesamiento de lenguaje natural en combinación con Amazon Comprehend. Presentamos patrones de automatización para procesamiento de facturas y análisis de contratos.

Artículos y servicios similares

Amazon TranscribeServicio de reconocimiento de voz que convierte automáticamente datos de audio en texto, compatible tanto con el streaming en tiempo real como con el procesamiento por lotes, y también con la identificación de hablantes y el vocabulario personalizadoConversión de voz a texto - Una plataforma de transcripción automática de alta precisión hecha posible con Amazon TranscribeSe explica la conversión de voz a texto (STT) con Amazon Transcribe y la construcción de un pipeline de procesamiento de voz bidireccional mediante la combinación con Amazon Polly. Se presentan métodos prácticos de transcripción en tiempo real, identificación de hablantes y mejora de la precisión con vocabulario personalizado.Integración de comunicación en tiempo real con Amazon Chime SDK - Voz, video y mensajeríaAprenda sobre patrones de implementación del SDK para integrar videoconferencias y conexión PSTN en sus propias aplicaciones. Efectivo para servicios donde la comunicación es un diferenciador, como telemedicina y educación en línea.Texto a voz - Síntesis de voz natural y soporte multilingüe con Amazon PollyExplicamos la implementación de texto a voz (TTS) con Amazon Polly y la construcción de interfaces de diálogo por voz mediante la integración con Amazon Lex. Presentamos técnicas prácticas de síntesis de voz natural con el motor de voz neuronal y soporte multilingüe.