Transcripción y etiquetado con IA: cuánto confiar en el texto

La transcripción automática convierte audio en texto y la diarización dice quién habla. Ambas fallan con ruido y acentos. Cómo revisarlas. Guía práctica.

info Definición Rápida
La transcripción automática convierte el audio de una sesión en texto con un sistema de reconocimiento de voz. La diarización separa los turnos de cada persona. Ambas acumulan errores que el equipo debe medir y revisar antes de analizar cualquier cita.

¿Qué hace cada pieza?

Son dos tareas distintas:

  1. Transcripción: qué se dijo. Convierte sonido en palabras.
  2. Diarización: quién lo dijo. Asigna cada fragmento a un hablante, por ejemplo “Participante 1” o “Moderadora”.

Un error en la primera cambia el texto. Un error en la segunda cambia la atribución: una frase de la participante aparece como si la hubiera dicho el moderador. En research, ese segundo error es grave, porque cambia el significado de la cita.

¿Cuánto error esperar?

No hay un número fijo. Un estudio de 2025 evaluó sistemas de voz a texto con unas diez horas de PennSound, una colección de lecturas de poesía y conversaciones con condiciones de grabación muy distintas. Las diferencias de error entre sistemas fueron pequeñas, y Whisper fue la mejor opción de código abierto solo si se evitaban sus alucinaciones, es decir, texto que el modelo produce sin que nadie lo haya dicho.

Otro estudio, publicado en 2026, transcribió con WhisperX 1.108 consultas de atención primaria grabadas entre 2002 y 2006. Al comparar con transcripciones manuales de 92 de ellas, midió un 45,2 % de error de palabras. Los autores creen que la cifra está sobrestimada por los marcadores de anonimización de las transcripciones manuales, por las anotaciones de sonidos que no son habla y por la mala calidad del audio. Sirve como recordatorio de que el audio difícil puede producir mucho error, no como cifra de referencia.

Los acentos y las variedades del habla también cuentan. Un estudio de PNAS de 2020 probó cinco sistemas comerciales (Amazon, Apple, Google, IBM y Microsoft) con entrevistas en inglés de Estados Unidos y midió un error medio de 0,35 para hablantes negros frente a 0,19 para hablantes blancos, con la misma brecha en frases idénticas. Una guía de Koji, que cita un estudio de 2024, dice que Whisper fue más preciso con acentos estadounidenses y canadienses que con británicos y australianos, y que la habla espontánea se transcribía peor que la leída. Esta segunda afirmación viene de la guía, no de la fuente original.

La conclusión práctica: el error sube con el ruido, las voces superpuestas, los acentos y la habla espontánea, y no puedes asumir que una transcripción es correcta sin revisarla. La guía de Koji propone una regla de trabajo, no un estándar: si la tasa de error en términos críticos (nombres de producto, cifras, negaciones) supera cerca del 5 % en algún grupo de participantes, las citas de ese grupo deberían verificarse con una persona antes de usarse. Para medirla, compara una muestra de la transcripción con el audio y cuenta solo esos términos.

¿Cómo mejorar la calidad antes de transcribir?

La grabación es lo que más controlas, y mejora el resultado más que cambiar de modelo:

  • Usa un micrófono cerca de cada persona, o un micrófono por participante en grupos.
  • Evita grabar en espacios con eco o con ventiladores y tráfico.
  • Pide que cada persona hable en su turno y evita que se superpongan.
  • Graba una prueba de 30 segundos y transcríbela antes de la sesión real.
  • Anota en la sesión los nombres propios y los términos técnicos para revisarlos después.

¿Cómo etiquetar sin perder el contexto?

Una vez que tienes el texto revisado, el etiquetado es el paso donde se asignan códigos a fragmentos. Un flujo práctico:

  1. Revisa la transcripción completa de al menos una sesión, escuchando el audio.
  2. Corrige nombres, cifras, productos y términos técnicos.
  3. Confirma la atribución de hablantes en los fragmentos clave.
  4. Etiqueta con un codebook corto, con ejemplos.
  5. Guarda cada cita con su sesión y su marca de tiempo, para volver al audio si hace falta.

Este paso se conecta con la síntesis de entrevistas y con las herramientas de repositorio, que suelen guardar las transcripciones junto con las etiquetas.

¿Cuándo NO conviene?

  • Con audio de mala calidad y sin tiempo para revisarlo: el texto será poco fiable.
  • Con datos clínicos, legales o de menores, sin revisar el acuerdo de tratamiento de datos.
  • Cuando la atribución de hablantes decide el hallazgo, sin verificarla en el audio.
  • Cuando la transcripción se usa como cita textual en un informe sin revisión.

Ejemplo

Ejemplo ilustrativo: un equipo graba cuatro entrevistas en una cafetería con música de fondo. La transcripción automática sale con muchas palabras cambiadas y con dos participantes confundidos. El equipo decide grabar las siguientes en una sala tranquila, con un micrófono por persona. En las cuatro primeras, corrige a mano las frases clave, marca las partes dudosas y solo después etiqueta.

Lo que aprende: antes de culpar al modelo, conviene revisar las condiciones de la grabación, que son lo que el equipo controla.

¿Cómo anonimizar una transcripción?

La anonimización forma parte de la revisión, no es un paso posterior. Antes de que una transcripción salga de la carpeta de la sesión:

  • Reemplaza los nombres por códigos de participante, y guarda la clave en un archivo aparte con acceso controlado.
  • Quita identificadores que no son nombres: empresas, barrios, escuelas, cargos poco comunes, fechas de eventos raros.
  • Marca cada eliminación con un marcador neutro, como [EMPRESA] o [CIUDAD], para que el sentido de la frase siga siendo legible.
  • Revisa el audio, no solo el texto: la grabación puede tener una voz o un nombre que la transcripción no capturó.

Ojo: un marcador no garantiza el anonimato. La combinación de edad, oficio y ciudad puede identificar a alguien en una comunidad pequeña. Cuando la muestra es chica o el contexto es muy específico, pregúntate si el detalle hace falta para el hallazgo.

Errores comunes

  • Confiar en la transcripción sin escuchar ninguna parte.
  • Ignorar la atribución de hablantes, que cambia el sentido de una cita.
  • Dejar nombres propios mal escritos en el repositorio.
  • Grabar en un espacio con ruido y culpar al modelo.
  • Subir audios con datos personales a una herramienta sin revisar sus términos.

Fuentes

Preguntas frecuentes

¿Qué es la transcripción automática?
Es la conversión de audio en texto con un sistema de reconocimiento de voz. Muchas herramientas la combinan con diarización, que separa los turnos de cada persona.
¿Qué tan exacta es una transcripción con IA?
Depende del audio. Con buena calidad, los errores pueden ser bajos; con ruido, voces superpuestas o acentos, la tasa de error sube mucho. Un estudio de 2026 con consultas grabadas en atención primaria midió un 45 % de error de palabras al comparar transcripciones automáticas con manuales, y sus autores lo atribuyen en parte a la mala calidad del audio. No hay un umbral fijo.
¿Whisper hace diarización?
No por sí solo: Whisper transcribe, pero no separa hablantes. Para eso se usan herramientas adicionales, como WhisperX con pyannote, o las funciones de cada plataforma.
¿Cómo reviso una transcripción automática?
Escucha una muestra de cada sesión, sobre todo en los momentos clave y en los nombres, cifras y términos técnicos, y corrige antes de codificar. Un error en un nombre o una cifra cambia el hallazgo.