El sueño del periodista: transcripción de audio a texto automática

Imagen de El sueño del periodista: transcripción de audio a texto automática


Si, digo sueño del periodista porque todo aquel que tuvo que desgrabar una entrevista se volvió mono cuando le tocó una demasiado larga, es que no sólo se gasta el tiempo para hacer las preguntas y recibir las respuestas, se duplica exactamente cuando uno debe hacer el proceso inverso a la grabación y así poder pasar a escribir, lo que implica una tercera vez por la que hay que revisar el material y se puede incluir hasta una cuarta.

Justo anoche me preguntaron si existía algún software para hacerlo, el problema es que no, no hay nada "accesible" salvo, casualmente, en nuestros teléfonos. Con accesible me refiero a libre y gratuito, claramente :D

Transcribir es un dolor de cabeza y aun al día de hoy a la tecnología le cuesta realizarlo de forma automática y acertar.

El truco que encontré es aprovechar las mismas herramientas de Google que utiliza para el reconocimiento de voz a la hora de recibir comandos en el teléfono. La grabación se envía casi en tiempo real al servidor, reconoce el texto, la gramática, el sentido de la oración e interpreta un comando.

El software para reconocimiento de voz no es nada nuevo, pero que funcione bien sí lo es, en veinte años se avanzó mucho pero lo principal llegó en los últimos años, hoy desde Cortana hasta Siri pasando por Google Now te reconocen bastante bien lo que decís, aunque no siempre son perfectos.

No son perfectos porque nosotros no lo somos a la hora de hablar, somos un "más o menos" en todo lo que hacemos :P

El primer método en el que pensé naturalmente es Youtube con su "Closed Caption", el botón CC que a veces muestra, principalmente si hay alguien hablando, y esto implica que Youtube mismo hizo el trabajo.

En muchas conferencias podemos ver el botón disponible, el motor de Google intentará reconocer todo, no siempre lo hace bien, depende de la dicción de la persona, su pronunciación, acento y hasta de la calidad de la grabación, ruido ambiente, modismos, palabras raras, nombres propios, acrónimos y un largo etcétera de problemas que hay a la hora de expresarse y entenderse.

Aquí encontré la forma de descargar el CC de un video, pero depende de un poco de hackeo de consola de javascript y el riesgo habitual de que el método quede rápidamente obsoleto.

View post on imgur.com


Ahora bien, hay otro método más sencillo todavía y es aprovechar una API y su web de demostración.

Cada browser puede implementar su propio sistema de reconocimiento de voz, la idea es que respeten un estándar de la W3C y de ahí en más cada uno lo implemente como mejor le salga, para probar esta API Google tiene una demo para Chrome.

Si habilitan el micrófono en dicha demo y, si se dan maña, hacen que el audio de un archivo guardado salga como micrófono (de última reproducen hacia el micrófono), éste podrá capturar el audio e irá identificando el texto.

Lo genial de este método es que permite seleccionar el idioma y su variante, en mi caso Español Argentino, que no es lo mismo que el de Colombia o el de España. Google tiene una gran herramienta aquí que, del lado del servidor, es la misma que se utiliza desde Google Now en Android hasta Youtube.



Hay varias apps web para hacer lo mismo pero todas suelen fracasar muy seguido, sin ser un locutor ni nada parecido les dejo una captura del fracaso masivo justo cuando menciono la palabra "Nuremberg" y ni les digo cuando dije "el primero de los lugares" y terminó con "pimpinela" que no se parece ni hablando con la boca anestesiada por el dentista :D

¿Conocen alguna app descargable que haga un trabajo digno? ¿Alguna online? Sean bienvenidos para sugerir...

No es una herramienta precisa y se necesita una fuente de audio muy buena (en mi video de prueba justo hay música de fondo)

Volver al inicio Ver original