¿Qué es la transcripción multilingüe y cómo funciona?

Tanto si organizas una conferencia internacional como si simplemente quieres disponer de registros precisos de conversaciones de atención al cliente en cualquier idioma, la transcripción multilingüe es hoy más necesaria que nunca. 

Al convertir datos de audio en texto preciso y consultable, las herramientas de transcripción multilingüe transforman las conversaciones en registros útiles. La tecnología que permite transcribir en distintos idiomas ha evolucionado junto con la creciente investigación sobre modelos de Voz a Texto (STT). Ahora, desarrolladores incluso pueden integrar potentes API de STT en sus workflows para crear complejos procesos de transcripción multilingüe.

En este artículo, veremos qué es la transcripción multilingüe, explicaremos cómo funciona mediante una aplicación de escritorio y una API, y mostraremos por qué es esencial para empresas de todo el mundo.

Resumen

• La transcripción multilingüe transforma un archivo de audio en texto escrito en varios idiomas.
• Las mejores herramientas de transcripción multilingüe ofrecen funciones adicionales como la diarización de hablantes, el uso de términos clave y la detección de entidades.
• Puedes utilizar herramientas de transcripción multilingüe en línea o integrar una API de Voz a Texto en workflows de desarrollo. 
• La transcripción automática ofrece rapidez y escala, mientras que la transcripción humana puede resultar útil en casos complejos con varios hablantes que se solapan.
• La precisión de la transcripción multilingüe se mide mediante la tasa de error de palabras (WER), que varía según el idioma. 

¿Qué es la transcripción multilingüe y por qué es importante?

La transcripción multilingüe convierte audio hablado en texto escrito en más de un idioma. Los sistemas de inteligencia artificial detectan automáticamente el idioma —o los idiomas— que se hablan y transcriben el audio. El resultado de un sistema STT multilingüe puede ser una transcripción literal o incluir una capa de traducción para unificar los idiomas de entrada en un resultado común. 

Por ejemplo, en una conferencia internacional, puede haber ponentes que reciban una pregunta en su lengua materna. La herramienta de Voz a Texto multilingüe puede transcribir directamente lo que dice cada ponente en su propio idioma o generar un único resultado en un idioma de destino para que lo lea el público. Las organizaciones pueden hacer sus eventos más accesibles con estas herramientas de STT.

ElevenLabs incorpora capacidades de STT multilingüe directamente en nuestro modelo Scribe v2 de Voz a Texto. Scribe v2 admite la detección automática de idiomas, por lo que un único archivo puede contener varios idiomas. Puedes indicar qué idiomas contiene un clip de audio o dejar el ajuste en «Detectar» para que nuestro sistema identifique los idiomas presentes en el archivo subido.

Al utilizar ElevenAPI, el parámetro language_code usa la predicción automática de forma predeterminada. Si ya sabes qué idiomas están presentes, indicarlos de antemano mejora el rendimiento. 

Por qué es importante la transcripción multilingüe

Estudios recientes sugieren que el mercado mundial de servicios de transcripción alcanzará los 6.000 millones de dólares en 2035. Parte de lo que acelera su crecimiento es la enorme variedad de casos de uso que aprovechan el STT multilingüe.

Hay varios motivos prácticos por los que la transcripción multilingüe es importante:

• Accesibilidad: Los subtítulos dependen de transcripciones multilingües precisas antes de que puedan comenzar la traducción o el doblaje. El STT multilingüe puede mejorar considerablemente la accesibilidad para usuarios.
• Capacidad de búsqueda: El audio transcrito puede convertirse en texto indexable, lo que permite que tus llamadas de soporte o reuniones se conviertan en recursos útiles para otras personas. La capacidad de búsqueda es especialmente importante a medida que los sistemas de IA empiezan a mostrar más datos de documentos internos, ya que una transcripción clara ayuda a crear una referencia de entrada completa. 
• Cumplimiento normativo: Muchos sectores regulados necesitan registros escritos y auditables de las interacciones habladas, y el STT multilingüe permite cubrir esta necesidad en todos los idiomas que utilizan tus clientes. Por ejemplo, la Financial Conduct Authority establece que las instituciones financieras deben conservar grabaciones y transcripciones de las conversaciones telefónicas.
• Procesos globales de contenido: Ya se trate de doblaje o subtitulado, los workflows siempre comienzan con una transcripción inicial de gran precisión sobre la que trabajar. Las herramientas de transcripción multilingüe de calidad permiten dar el primer paso en estos procesos más amplios de distribución global de contenido.

La transcripción multilingüe es una parte necesaria de numerosos sectores: proveedores de telecomunicaciones que transcriben llamadas de soporte, empresas de servicios financieros que cumplen requisitos normativos, equipos sanitarios que documentan interacciones con pacientes e incluso estudios de cine que localizan contenido. Tanto si trabajas en SaaS, viajes o servicios públicos, contar con un sistema potente garantiza que tus transcripciones sean siempre de alta calidad y precisas.

Características clave que debes buscar en soluciones de transcripción multilingüe

Las herramientas de transcripción multilingüe deben poder adaptarse al audio de entrada con el que trabajan, identificar dinámicamente los idiomas y transcribirlos con gran precisión. 

Estas son las principales características que debes buscar en una solución de transcripción multilingüe de alta calidad:

• Detección automática de idiomas: El sistema debe identificar por sí solo el idioma hablado, en lugar de impedir la transcripción hasta que el usuario indique un idioma de origen. Especialmente en situaciones en las que no se conoce el idioma de entrada o en un clip con varios idiomas, la detección automática de idiomas garantiza que puedas gestionar varios idiomas sin configuración manual.
• Diarización de hablantes: La diarización asigna el texto transcrito al hablante correcto de un archivo, algo importante para cualquier transcripción de audio que incluya a varios hablantes. Por ejemplo, puede haber varias personas en una mesa redonda que necesites identificar, o simplemente una clara distinción entre cuándo hablan un cliente y un agente de soporte. Scribe v2 admite la diarización de hasta 32 hablantes en un único archivo. 
• Uso de términos clave: Los términos clave permiten a usuarios introducir manualmente vocabulario específico, como nombres de productos o nombres propios, para definir la transcripción correcta. En sistemas por lotes, Scribe v2 permite hasta 1.000 términos clave, mientras que Scribe v2 Realtime para transcripción en directo ofrece hasta 50.
• Detección de entidades: La detección de entidades identifica palabras específicas en una transcripción, lo que resulta esencial para las iniciativas de cumplimiento normativo y seguridad destinadas a proteger datos sensibles. Consulta la documentación sobre detección de entidades de ElevenLabs para ver un desglose completo de los 56 tipos de entidades compatibles.
• Amplia compatibilidad con idiomas: Como era de esperar, las mejores soluciones de STT multilingüe pueden transcribir una enorme variedad de idiomas. Como referencia, Scribe v2 ofrece transcripción precisa en más de 90 idiomas. 

En conjunto, estas capacidades permiten cubrir una amplia variedad de casos de uso y aprovechar un sistema STT fiable que abarca varios idiomas con precisión.

Cómo transcribir audio en distintos idiomas de forma eficiente

La forma más eficaz de transcribir audio en distintos idiomas depende de la carga de trabajo que tengas en mente. Para archivos puntuales por lotes, la página de Voz a Texto de ElevenLabs te permite subir un archivo y recibir rápidamente la transcripción.

Al trabajar con ElevenCreative, transcribir audio es así de sencillo:

1. Sube tu audio: Ve a Voz a Texto y haz clic en «Transcribir archivos».
2. Selecciona tus opciones: Selecciona el idioma principal o deja la opción en «Detectar», activa los eventos de audio si quieres etiquetar risas u otros eventos no verbales y añade términos clave si los necesitas.
3. Consulta tus resultados: Después de subir tus archivos, podrás hacer clic en el nombre del archivo de audio para ver su transcripción. Desde ahí, puedes revisar y perfeccionar la transcripción directamente en el Editor de transcripciones y, después, exportarla al formato que necesite cada workflow posterior.

Para transcripción programática o de gran volumen, utiliza la API de Voz a Texto. Estos son algunos detalles que puedes usar para configurar procesos de producción:

• Selección de modelo: El parámetro model_id permite elegir entre scribe_v2 y scribe_v1, de modo que el proceso puede indicar un modelo específico en lugar de depender de uno predeterminado que podría cambiar con el tiempo.
• Gestión de idiomas: El parámetro language_code admite un código ISO-639-1 o código ISO-639-3 y utilizará la detección automática de forma predeterminada si se deja sin configurar. Indicar un idioma directamente puede mejorar el rendimiento.
• Controles de diarización de hablantes: Establecer diarize en true anota qué hablante está hablando. El parámetro num_speakers limita el número de 1 a 32. Para un control más detallado, puedes utilizar el parámetro diarization_threshold para ajustar el equilibrio entre hablantes distintos. 
• Precisión de las marcas de tiempo: El parámetro timestamps_granularity controla el nivel de detalle del resultado, con opciones de marcas de tiempo por palabra o por carácter (o ninguna).
• Procesamiento asíncrono a escala: Establecer webhook en true devuelve la respuesta de inmediato y entrega la transcripción terminada a tu webhook configurado cuando finaliza el procesamiento. El campo webhook_metadata adjunta datos de seguimiento personalizados, como tu ID interno de tarea, a cada respuesta del webhook.
• Audio multicanal: Establecer use_multi_channel en true transcribirá cada canal de forma independiente, con hasta cinco canales, y etiquetará cada palabra con un campo channel_index. 
• Gestión de contenido especializado: El parámetro keyterms orienta la transcripción hacia hasta 1.000 palabras o frases específicas, entity_detection señala información de identificación personal (PII) y otros datos sensibles, y no_verbatim elimina muletillas y falsos comienzos del resultado.

En conjunto, estos parámetros te proporcionan un control detallado sobre cada fase del proceso. Desde la detección de idiomas y la identificación de hablantes hasta el formato y la entrega del resultado, la API de Voz a Texto se adapta a tus necesidades de producción.

Explicación de los idiomas compatibles con los servicios de transcripción

La cobertura de idiomas es un factor clave que distingue a las mejores herramientas de transcripción multilingüe. Tanto ElevenLabs Scribe v2 como Scribe v2 Realtime admiten más de 90 idiomas, y la documentación de Voz a Texto incluye la lista completa de idiomas compatibles.

Idiomas como el inglés, español, italiano, polaco, francés y alemán cuentan con mayores volúmenes de datos de entrenamiento, por lo que suelen tener sistemas STT más precisos. Algunos idiomas, como el amárico, ganda, yoruba y zulú, presentan tasas de precisión inferiores a las de los idiomas anteriores.

Los modelos Scribe de ElevenLabs tienen una tasa de error de palabras inferior al 5 % para 36 idiomas diferentes y un WER inferior al 10 % para otros 21. Consulta el desglose de compatibilidad con idiomas de ElevenLabs para obtener más información sobre los idiomas compatibles y sus WER.

¿Cuánto cuesta la transcripción multilingüe?

Normalmente, los precios de la transcripción automática se estructuran según la duración de un archivo de audio, en lugar de según su número de palabras o los idiomas que intervengan. ElevenLabs cobra Voz a Texto según la duración del audio, facturada por hora de audio. Las tarifas específicas varían según el plan y el modelo.

Estos son los principales factores que influyen en el precio de la transcripción multilingüe:

• Funciones de transcripción adicionales: Algunos proveedores cobran tarifas adicionales por activar ciertas funciones, como la detección de entidades.
• El audio multicanal se factura por canal: Al activar use_multi_channel, cada canal se factura de forma independiente, por lo que una grabación de dos canales cuesta aproximadamente el doble que una grabación de un solo canal.
• El idioma no cambia la tarifa base: Los precios basados en la duración implican que el STT multilingüe puede admitir cualquier idioma manteniendo la misma tarifa por hora, lo que simplifica la planificación presupuestaria de equipos que trabajan con varios idiomas.

Para obtener más información sobre cuánto cuesta Voz a Texto de ElevenLabs, consulta nuestra página de precios.

Empieza a utilizar ElevenAPI para una transcripción multilingüe precisa

ElevenAPI incorpora la transcripción multilingüe a cualquier workflow de producción en solo unos pasos. Tanto si transcribes contenido para archivos multimedia globales, interacciones de atención al cliente, reuniones o entrevistas de investigación, como si simplemente buscas reconocimiento de voz preciso en decenas de idiomas, nuestro potente motor de STT multilingüe puede ayudarte.

Explora la API de Voz a Texto de ElevenAPI para conocer todas sus capacidades o crea una cuenta de ElevenLabs para empezar a transcribir audio multilingüe hoy mismo. 

Preguntas frecuentes sobre transcripción multilingüe