Tecnologías del habla
La tecnología que permite procesar voz, convertirla en texto, generar audio y trabajar con señales habladas de forma útil.
🎙️¿Qué son las tecnologías del habla?
La voz concentra fenómenos que el texto escrito oculta: acento, ritmo, entonación, hesitaciones, hablantes que se solapan, contexto situacional. Las tecnologías del habla (Speech Technologies) son el intento de formalizar todo eso: transcribir voz en texto, sintetizar texto en voz y comparar señales habladas. Cada una de esas conversiones decide qué parte de lo oral se conserva y qué parte se pierde.
¿Por qué importa a un perfil lingüístico?
Quien ha estudiado fonética y variación reconoce de inmediato dónde fallará un sistema de voz: seseo y distinción, aspiración de /s/, entonación interrogativa sin partícula. Los errores de estos sistemas son, casi siempre, fenómenos que la lingüística ya tiene descritos.
Un punto de inflexión reciente
Herramientas como Whisper han rebajado mucho la barrera para transcribir audio multilingüe. Pero si transcribes una reunión real, sigues revisando nombres propios, jerga del dominio, cifras y quién dijo qué: la transcripción automática produce el borrador, no el acta.
Áreas principales
Reconocimiento de voz (Speech-to-Text)
Convierte ondas sonoras en texto escrito. Es lo que permite dictar mensajes, transcribir reuniones o dar comandos de voz a tu teléfono.
💡 Cómo funciona
El audio se divide en fragmentos pequeños. Cada fragmento se analiza para identificar fonemas (sonidos básicos), luego se combinan en palabras usando modelos de lenguaje que predicen qué palabra es más probable dado el contexto.
Modelos tradicionales (HMM)
Usan Hidden Markov Models y GMM (Gaussian Mixture Models)
Ejemplo: Sistemas antiguos como Dragon NaturallySpeaking
Deep Learning (RNN/LSTM)
Redes neuronales recurrentes que capturan secuencias temporales
Ejemplo: DeepSpeech de Mozilla
Transformers
Modelos modernos basados en atención, multilingües y muy precisos
Ejemplo: Whisper de OpenAI - transcribe voz en ~100 idiomas, con calidad muy desigual entre ellos
🚧 Desafíos técnicos
Aplicaciones comunes
Síntesis de voz (Text-to-Speech)
Genera habla artificial que suena natural a partir de texto escrito. La voz de Google Maps o de los audiolibros.
💡 Cómo funciona
El texto se convierte en representaciones acústicas (como espectrogramas mel) que capturan cómo debería sonar cada fonema. Luego un vocoder transforma esas representaciones en ondas de audio que puedes escuchar.
Concatenativo
Graba una persona diciendo todas las combinaciones posibles y las pega
Ejemplo: GPS antiguos con voz robótica
Paramétrico (vocoder)
Genera audio usando modelos matemáticos de la voz humana
Ejemplo: Voz de Stephen Hawking
Neural TTS
Redes neuronales que aprenden a imitar voces humanas de forma hiperrealista
Ejemplo: Tacotron 2, FastSpeech, VITS
Clonación de voz
Crea una voz sintética que suena exactamente como una persona específica
Ejemplo: ElevenLabs - con 5 minutos de audio puede clonar tu voz
🚧 Desafíos técnicos
Aplicaciones comunes
Biometría vocal
Identifica o verifica la identidad de una persona analizando características únicas de su voz. Como una huella dactilar, pero de voz.
💡 Cómo funciona
Extrae características acústicas únicas de cada voz (tono, timbre, cadencia) y las compara con un perfil almacenado. Usa técnicas como i-vectors o x-vectors para crear "huellas vocales".
Verificación
Confirma que eres quien dices ser (1:1)
Ejemplo: "Di tu contraseña de voz para desbloquear"
Identificación
Determina quién eres entre muchas personas (1:N)
Ejemplo: Sistema que reconoce qué miembro de la familia está hablando
Detección de liveness
Detecta si es una voz real o una grabación/deepfake
Ejemplo: Prevención de fraude en banca telefónica
🚧 Desafíos técnicos
Aplicaciones comunes
Traducción de voz en tiempo real
Traduce voz a otro idioma intentando conservar información prosódica, ritmo y parte del estilo de habla.
💡 Cómo funciona
Pipeline de 3 pasos: 1) STT transcribe tu voz 2) Traducción automática traduce el texto 3) TTS genera la voz traducida. Las versiones avanzadas pueden transferir tu estilo de habla.
Cascada (pipeline clásico)
Tres sistemas separados (STT → MT → TTS)
Ejemplo: Google Translate modo voz
End-to-end
Un solo modelo neuronal que aprende todo el proceso junto
Ejemplo: Translatotron de Google
Voice cloning multilingüe
Traduce manteniendo tu timbre de voz original
Ejemplo: Meta's SeamlessM4T
🚧 Desafíos técnicos
Aplicaciones comunes
¿Para qué se usa?
Asistentes virtuales
Siri, Alexa, Google Assistant: conversa con tus dispositivos de forma natural.
Transcripción automática
Convierte reuniones, podcasts y videos en texto buscable (Otter.ai, Rev).
Accesibilidad
Lectores de pantalla para ciegos, subtítulos en vivo para sordos.
Call centers inteligentes
Sistemas que clasifican, enrutan y responden llamadas telefónicas con distintos grados de automatización.
Entretenimiento
Doblaje automático de películas, creación de audiolibros, personajes de videojuegos.
Salud
Dictado médico, asistentes para terapia del habla, monitoreo de Parkinson por voz.
Herramientas principales
Whisper (OpenAI)
Modelo de código abierto que transcribe ~100 idiomas. Muy sólido en las lenguas mayoritarias; la calidad cae en las de menos recursos.
ElevenLabs
Plataforma líder en clonación de voz hiperrealista y síntesis emocional.
Google Cloud Speech
API empresarial robusta para STT con soporte de 125+ idiomas.
Azure Speech Services
Suite completa de Microsoft: STT, TTS, traducción y verificación de hablante.
Coqui TTS
Framework de código abierto para crear voces sintéticas personalizadas.