Tecnología
ASR
El reconocimiento automático de voz (ASR) convierte audio hablado en texto, permitiendo transcripción, análisis de llamadas, subtitulado y la capa de entrada de los asistentes de voz. Es una tecnología madura pero en rápida mejora de precisión, costes y cobertura multilingüe.
Sobre esta tecnología, IA para hoy ha analizado 10 noticias, procedentes de 4 medios distintos. En los últimos siete días han sido 1. La fiabilidad media de esa cobertura es de 4,2 sobre 5, medida con las reglas de nuestro método. Las áreas de impacto que más se repiten son IT, Atención al cliente, Desarrollo. Aparece en 8 historias en seguimiento.
Evolución en 16 semanas
El momentum semanal se estima con la misma fórmula que el momentum actual: volumen, aceleración respecto a la semana anterior, diversidad de fuentes e impacto.
Análisis Qué significa para una empresa
- Oportunidades
- Permite automatizar call centers, transcribir reuniones y generar subtítulos a costes cada vez menores, con precios de modelos como Qwen-Audio recortados hasta un 95% y técnicas de inferencia que reducen infraestructura GPU hasta un 75%. También se amplía a idiomas y acentos antes mal cubiertos, abriendo mercados no anglófonos.
- Riesgos
- Persisten errores en casos complejos (20-30% de solicitudes no resueltas en call centers) y latencias superiores al umbral cómodo, además de evidencia de que varios modelos de código abierto optimizan para benchmarks en lugar de transcribir fielmente el audio real. La fiabilidad cae notablemente en entornos ruidosos o con cambio de idioma dentro de una conversación.
- Qué debería hacer una empresa
- Las empresas que usan ASR en atención al cliente deberían, en los próximos 6 meses, evaluar proveedores con benchmarks independientes (WER en condiciones reales, no solo de laboratorio) y mantener escalado a humano para el 20-30% de casos complejos.
Análisis generado por IA a partir de las noticias disponibles; actualizado 17 oct.
Relacionadas
Hugging Face ×4reconocimiento de voz ×4Nvidia ×2AWS ×2voz ×2LLM ×1OpenAI ×1Google ×1modelos de lenguaje ×1Alibaba ×1
Historias
IBM publica nuevos modelos de voz Granite Speech 5.0
Limitaciones de la IA de voz en call centers según sus proveedores
Alibaba lanza Qwen-Audio 3.1 y recorta precios de modelos de audio
Open ASR Leaderboard: nuevos datos en hindi y dudas sobre fiabilidad de benchmarks
NVIDIA MPS reduce costes de inferencia ASR en 75%
FFASR Leaderboard: benchmark comunitario para ASR en condiciones acústicas reales
Benchmark de ASR para detección de cambio de código en agentes de voz
Hugging Face añade datos privados al Open ASR Leaderboard
Noticias
IBM actualiza su familia Granite Speech con un nuevo modelo de voz de 2B parámetros y una versión más rápida
IBM Granite publica tres actualizaciones de su colección de voz: el nuevo modelo granite-speech-5.0-2b, una revisión de granite-speech-5.0-470m-turboctc y una…
Por qué importaOfrece modelos de voz abiertos y de licencia permisiva que pueden desplegarse en infraestructura propia para transcripción empresarial, algo…
La IA de voz en call centers sigue cortando conversaciones y perdiendo palabras clave
Los CEOs de PolyAI, Shawn Wen, y de Otter.ai, Alex Gay, explicaron en una entrevista que los sistemas de IA de voz en call centers siguen fallando al reconocer…
Por qué importaLas cifras de cobertura y latencia proceden de los propios proveedores, no de una verificación independiente. Para un directivo, el punto práctico es…
Alibaba lanza Qwen-Audio 3.1 y recorta hasta 95% los precios de sus modelos de audio con IA
El equipo Qwen de Alibaba lanzó Qwen-Audio-3.1, un conjunto de cinco modelos para reconocimiento de voz (ASR), síntesis de voz (TTS) e interacción en tiempo…
Por qué importaLos recortes de precio combinados con más capacidades técnicas abaratan la adopción de IA de voz en atención al cliente, asistentes y transcripción a…
Hugging Face añade Hindi e inglés indio al Open ASR Leaderboard con 4.888 hablantes
Hugging Face ha introducido dos nuevos conjuntos de evaluación en el Open ASR Leaderboard: Monsoon en-IN (inglés indio) y Monsoon hi-IN (hindi), convirtiéndose…
Por qué importaLos benchmarks públicos de reconocimiento de voz (ASR) tienden a ocultar sesgos demográficos mediante métricas agregadas; investigación previa…
AWS y NVIDIA reducen costes de inferencia de reconocimiento de voz en un 75%
AWS, NVIDIA y Heidi Health han publicado un estudio técnico demostrando cómo usar NVIDIA CUDA Multi-Process Service (MPS) en Amazon EC2 reduce la…
Por qué importaReduce drásticamente los costes operativos de desplegar modelos de IA en producción, lo que es crítico para empresas de servicios basados en voz como…
Hugging Face revela que modelos ASR de código abierto reproducen errores de benchmark
Hugging Face ha publicado investigación que demuestra que 11 modelos populares de reconocimiento automático de voz (ASR) de código abierto exhiben…
Por qué importaEste hallazgo cuestiona la fiabilidad de los benchmarks públicos como medida real del desempeño: modelos que muestran las puntuaciones más altas…
Hugging Face y Treble Technologies lanzan FFASR: benchmark de reconocimiento de voz en entornos reales
Hugging Face y Treble Technologies han lanzado el FFASR Leaderboard (Far-Field ASR Leaderboard), un benchmark abierto y comunitario para evaluar modelos de…
Por qué importaLos modelos de reconocimiento de voz existentes se evalúan tradicionalmente en condiciones ideales (voz limpia, micrófono cercano) que no predicen…
ServiceNow publica benchmark de ASR para clientes bilingües con cambio de código
ServiceNow-AI ha publicado un benchmark y dataset para evaluar cómo los sistemas de reconocimiento de voz (ASR) manejan el cambio de código (code-switching)…
Por qué importaPara empresas con centros de contacto o help desks internacionales, la capacidad de procesar correctamente el speech bilingüe es crítica: los errores…
Hugging Face añade datos privados al Open ASR Leaderboard para evitar optimización de benchmarks
Hugging Face ha incorporado nuevos conjuntos de datos privados de reconocimiento de voz (ASR) proporcionados por Appen Inc. y DataoceanAI al Open ASR…
Por qué importaLos benchmarks de IA son herramientas críticas para evaluar modelos, pero su transparencia total puede incentivar optimizaciones artificiales que no…
AWS Batch y Parakeet-TDT reducen costes de transcripción multilingüe a fracción de céntimo
AWS publica una arquitectura de transcripción de audio escalable basada en el modelo NVIDIA Parakeet-TDT-0.6B-v3, combinado con AWS Batch, EC2 Spot Instances e…
Por qué importaPara empresas que procesan a escala archivos de audio (centros de contacto, bibliotecas de medios, preparación de datos, subtitulado de vídeo), este…