Unidad 11. Reconocimiento de voz y lenguaje natural con IA

Antes de empezar: escuchar no es lo mismo que comprender

Cuando dictas un mensaje a un teléfono, puedes ver las palabras que aparecen en la pantalla. Si después preguntas «¿qué tiempo hace?», un asistente puede responderte. Parecen acciones similares, pero intervienen tareas distintas: reconocer la voz, convertir sonidos en texto, interpretar qué pide la persona y producir una respuesta.

En esta unidad entenderás el reconocimiento automático del habla (Automatic Speech Recognition, ASR) y el procesamiento del lenguaje natural (PLN). Después comprobarás qué errores aparecen en distintas condiciones y aprenderás a medirlos.

11.1. Del sonido a las palabras: reconocimiento automático del habla

La voz se origina cuando las vibraciones del aire llegan a un micrófono. El dispositivo convierte la señal acústica en datos digitales; un sistema ASR procesa la señal y genera una transcripción escrita. El reconocimiento de voz no tiene por qué comprender el significado de todo lo que oye: su tarea básica es identificar la secuencia hablada.

Las aplicaciones incluyen dictado, subtítulos automáticos, accesibilidad, asistentes de voz y aprendizaje de idiomas. Por ejemplo, si dices «pon una alarma para las siete», la transcripción puede ser el primer paso antes de interpretar la petición.

11.2. ¿Por qué se equivoca un sistema de reconocimiento?

La voz real es variable. No hablamos igual cuando estamos cansados que cuando leemos lentamente. Además, un micrófono recoge ruido, reverberación y a veces la voz de otras personas.

Es importante no atribuir el error a quien habla. Una aplicación inclusiva debe probarse con diversidad de voces y condiciones, y ofrecer una vía alternativa cuando su transcripción no es fiable.

11.3. Cómo combina la IA sonido y contexto

El reconocimiento se apoya en información acústica —patrones de la señal de audio— y lingüística —palabras, gramática y contexto—. Muchas palabras suenan parecido. Por eso, para transcribir «voy a votar» en lugar de «voy a botar», puede ser necesario tener en cuenta las palabras vecinas y la situación.

Los sistemas actuales suelen utilizar modelos de aprendizaje profundo entrenados con grandes colecciones de audio y transcripciones. La arquitectura concreta varía: algunos modelos calculan correspondencias entre fragmentos acústicos y unidades lingüísticas; otros generan secuencias de texto más directamente. Es mejor aprender el proceso general antes de memorizar una arquitectura específica.

Además del contenido hablado, una señal puede contener características personales que deben tratarse con prudencia. Para una práctica escolar de transcripción no hace falta identificar a quien habla ni conservar grabaciones nominales.

11.4. Cómo medir errores: WER y CER

Para saber si una transcripción es correcta no basta con decir que «suena bien». Podemos compararla con una referencia escrita. La tasa de error de palabras, WER (Word Error Rate), se calcula contando sustituciones (S), eliminaciones (D) e inserciones (I), dividido entre el número N de palabras de referencia:

WER = (S + D + I) / N

Ejemplo inventado:

La referencia «La clase empieza a las nueve» tiene 6 palabras: «La» (1), «clase» (2), «empieza» (3), «a» (4), «las» (5), «nueve» (6). La salida «La clase comienza a nueve» tiene cinco. Por tanto, WER = (1 + 1 + 0) / 6 = 0,333… = 33,3 %.

Este ejemplo recuerda por qué debemos contar con cuidado. La tasa de error de caracteres (CER) utiliza un razonamiento análogo, pero compara caracteres. Se usa en situaciones donde es más adecuado evaluar símbolos individuales. Ambas tasas pueden superar el 100 % si hay suficientes inserciones.

11.5. Procesamiento del lenguaje natural: trabajar con significados

El procesamiento del lenguaje natural (PLN) es un conjunto de técnicas que permite a las computadoras analizar y generar lenguaje humano. Entre sus tareas están resumir textos, clasificar mensajes, traducir, responder preguntas, analizar opiniones y corregir expresiones.

No conviene decir que la máquina «comprende igual que una persona»: un sistema puede producir respuestas coherentes sin compartir nuestras experiencias o intenciones. Su comportamiento depende del modelo, de los datos y del contexto recibido.

11.6. Representaciones numéricas de palabras

Al igual que una fotografía se representa mediante píxeles, las palabras y fragmentos de texto deben transformarse en números para ser procesados. Una técnica son las representaciones vectoriales o embeddings. Un vector es una lista de números que el modelo utiliza para describir patrones de uso o relaciones entre elementos del lenguaje.

Si dos términos aparecen en contextos parecidos, sus representaciones pueden quedar próximas en un espacio matemático. Así, «ordenador» y «computadora» podrían estar próximos en determinado modelo, aunque su posición exacta depende del entrenamiento. Esta cercanía no significa que todas sus interpretaciones sean idénticas ni que el modelo razone por sí mismo como una persona.

Los modelos modernos también utilizan representaciones contextuales: una palabra puede recibir representaciones diferentes según la frase en que aparezca.

11.7. Aplicaciones y límites del PLN

El PLN puede ayudar a crear subtítulos, convertir notas dictadas a texto, corregir borradores o resumir documentos. Sin embargo, una respuesta generada puede ser gramaticalmente perfecta y contener información falsa. En tareas escolares debemos contrastar nombres, fechas, cálculos y afirmaciones importantes con fuentes independientes.

Las herramientas generativas requieren una consideración adicional: no introducir datos personales de compañeros, expedientes académicos ni grabaciones identificables sin las garantías y autorizaciones correspondientes.

Actividad 1. Laboratorio de dictado: velocidad y ruido

Material: portátil con micrófono y una función de dictado accesible. Una opción es escritura por voz de Documentos de Google, cuando esté disponible en la cuenta y el navegador del centro. También se puede usar un sistema de dictado permitido por el centro.

1. Escribe una frase de 15–25 palabras con dos términos técnicos; por ejemplo: «El router distribuye paquetes entre redes y el servidor almacena las copias de seguridad del aula».
2. Léela en silencio ambiental y copia la transcripción.
3. Repítela a mayor velocidad o con ruido ambiente moderado, sin molestar a otras clases.
4. Clasifica los errores en sustituciones, inserciones y eliminaciones. Calcula la WER de cada transcripción.
5. Explica si la comparación fue justa: ¿mantuviste iguales el micrófono, la frase y la persona que habló?

Entrega: tabla con condiciones, transcripciones, errores y conclusión. Privacidad: emplea frases impersonales, evita grabar a otras personas y borra los archivos si se guardan.

Actividad 2. Calcula la tasa de error sin ordenador

Referencia: «El robot limpia la mesa» (5 palabras).
Transcripción: «El robot limpia mesa» (4 palabras).

1. Separa ambas oraciones en palabras numeradas.
2. Identifica las sustituciones, inserciones y eliminaciones.
3. Aplica WER = (S + D + I) / N y exprésala en porcentaje.
4. Construye un segundo ejemplo con exactamente una sustitución y una inserción sobre una referencia de cinco palabras.
5. Explica si las dos transcripciones tendrán necesariamente la misma utilidad para quien las lea.

Actividad 3. PLN: clasificación y relaciones entre palabras

Prueba la actividad de asociaciones semánticas Semantris de Google, si está disponible, o utiliza una clasificación manual de palabras si la web no carga.

1. Escribe un conjunto de diez palabras relacionadas con informática (pantalla, teclado, red, archivo…).
2. Agrúpalas por relaciones semánticas y explica por qué.
3. Selecciona una palabra ambigua, como «ratón», y escribe dos oraciones con significados distintos.
4. Explica por qué al PLN le interesa conocer el contexto.
5. Comparad vuestro criterio con el de un sistema de IA, si el centro permite usarlo. Señalad una diferencia y verificadla.

Autoevaluación y resumen

1. ¿Qué diferencia hay entre ASR y TTS?
2. ¿Qué significa cada letra de la expresión WER = (S + D + I) / N?
3. ¿Por qué los nombres propios pueden dificultar la transcripción?
4. ¿Para qué sirve un embedding?
5. ¿Una frase generada que parece natural es necesariamente verdadera? Explica.

Resumen: los sistemas de reconocimiento de voz convierten audio en texto; el PLN analiza y produce lenguaje. Podemos evaluar las transcripciones con WER y CER y debemos tener en cuenta las condiciones del audio, los sesgos y la privacidad de las grabaciones.