¿Una app de transcripción aprende tu voz con el tiempo en el iPhone?

Es una suposición razonable, traída de otro tipo de software. Un teclado predice mejor tu siguiente palabra cuanto más escribes con él. Un asistente de voz configurado para reconocerte a ti específicamente responde de forma distinta contigo que con un desconocido. Ninguna de las dos cosas es imaginada, así que dar por hecho que una app de transcripción funciona igual — construyendo en silencio un perfil de tu voz y volviéndose más precisa contigo en particular — no es una expectativa descabellada.

Qué exigiría realmente «aprender tu voz»

Para que un modelo se adapte a una persona en concreto tienen que cumplirse tres cosas: tu audio tiene que conservarse más allá del momento en que se transcribe, tiene que quedar vinculado a ti en vez de descartarse como una petición anónima, y algo tiene que reentrenar o ajustar periódicamente ese modelo con ese historial guardado. Eso es una infraestructura real, la misma que hay detrás de cualquier producto que sí personaliza de verdad — necesita almacenamiento, una identidad a la que atar ese almacenamiento, y un paso de reentrenamiento que se ejecute con cierta cadencia. Una app sin cuenta y sin servidor propio no tiene ninguna de esas tres piezas. No hay dónde acumular un historial de tu voz, y no hay nada programado para aprender de él aunque lo hubiera.

Qué produce en realidad una transcripción en iPhone

La transcripción en iPhone, en Voice Studio y en casi cualquier app que no traiga su propio modelo de voz, se apoya en el framework Speech de Apple: una pasada en el dispositivo primero, y un reintento contra el servidor de Apple si esa pasada local vuelve vacía o falla. Ambos son modelos generales, uno por idioma, distribuidos a cada teléfono con esa versión de iOS y usados de forma idéntica por cualquier app que llame al framework. Tu historial concreto con una app de grabación no tiene ninguna vía de entrada a ninguno de los dos modelos — el del dispositivo vive en una descarga fija en tu teléfono, y el del servidor es infraestructura compartida que atiende peticiones de todas las apps por igual del lado de Apple, no un perfil asociado a ti.

Eso es así sin importar cuántas grabaciones hayas hecho o cuánto tiempo lleves usando la app. La transcripción número quinientos la produce exactamente el mismo modelo que la primera. Nada de haber usado antes la app cambia lo que ocurre cuando pulsas transcribir.

Dónde sí existe personalización de voz real, por persona, en el iPhone

Esto no quiere decir que ninguna parte de iOS se adapte nunca a una voz en concreto — sí lo hace, solo que no aquí. Configurar «Hey Siri» te pide decir la frase varias veces para que el teléfono aprenda a reconocerte como quien habla, lo cual es un caso real y documentado de iOS construyendo algo atado a la voz de una persona. Aun así, es una tarea más limitada que transcribir: decide si la voz que acaba de oír eres probablemente tú, no convierte cualquier discurso en texto preciso. Es también una función propia de Apple para Siri en concreto, no algo expuesto a las apps de terceros que llaman al framework Speech general para obtener una transcripción. Conocer esta distinción sirve precisamente para ver cómo es la personalización real en esta plataforma, y lo distinta que es de lo que hace una app de transcripción.

Entonces, ¿por qué a veces parece que una transcripción mejora con el uso?

Hay varias cosas que sí cambian de verdad tras semanas usando la misma app, y ninguna es el software adaptándose a ti.

• Mejoras en la parte mecánica — dónde colocas el teléfono, a qué distancia, grabar en un sitio más silencioso — después de notar una o dos veces lo que un mal ángulo o una habitación ruidosa le hacen a una transcripción.
• Terminas eligiendo el idioma y la variante de transcripción correctos para cómo hablas de verdad, en vez del que viene por defecto, después de que una transcripción temprana saliera mal o sin sentido.
• Empiezas a corregir en el propio texto los mismos errores que se repiten — un nombre, un término técnico, una palabra que el reconocedor entiende mal siempre — así que dejan de notarse como un problema aunque el reconocedor volvería a cometer el mismo error con audio nuevo.
• Las condiciones de red varían entre un intento y otro, así que la misma frase a veces sale más limpia por el respaldo del servidor que de una pasada en el dispositivo que falló en silencio, o al revés — una diferencia en qué pasada se ejecutó, no en que ninguna de las dos haya mejorado.

Las cuatro cosas parecen, desde fuera, «la app se está acostumbrando a mí». Lo que ocurre en realidad es que tú vas ajustando condiciones a las que el reconocedor siempre fue sensible, o vas corrigiendo a mano los mismos errores tantas veces que dejan de registrarse como errores. El modelo de fondo no se ha movido nada.

Por qué merece la pena saber esto y no solo quedarse tranquilo

Cambia lo que de verdad merece la pena hacer con una transcripción que sigue fallando en la misma palabra. Esperar a que la app acabe aprendiéndola es esperar algo que no va a pasar, porque no hay ningún mecanismo detrás — ese mismo audio, vuelto a enviar el mes que viene, lo gestiona el mismo modelo fijo y muy probablemente producirá el mismo error. Corregirlo una vez en el texto de la transcripción, o comprobar que el idioma de transcripción coincide con cómo hablas de verdad, es la versión de ese arreglo que sí se sostiene, porque cambia algo real en vez de confiar en que un modelo se ajuste solo por su cuenta.

Cómo lo gestiona Voice Studio

Voice Studio no tiene cuenta, ni servidor propio, ni SDK de analítica, así que no hay nada de nuestro lado donde pudiera acumularse un historial de tu voz aunque el framework Speech estuviera hecho para consumir uno. La transcripción intenta siempre primero la pasada en el dispositivo para el idioma que hayas elegido, y solo recurre al servidor de Apple si esa pasada vuelve vacía o falla — los mismos dos modelos fijos que usa cualquier otra persona con esa versión de iOS. Lo que sí está sin restricciones en la app gratuita es la propia transcripción: queda ahí como texto normal, editable, así que un nombre o una frase que sigue saliendo mal es un arreglo que haces una vez, directamente en la transcripción, en vez de algo que esperar a que el software acierte solo con el tiempo.

Preguntas frecuentes

¿Usar más una app de transcripción hace que sea más precisa con el tiempo?

No. El modelo de voz que usa es un modelo fijo y general, atado a un idioma, no uno que se adapte a una persona concreta cuanto más use esa persona una app determinada. La mejora que suele notar la gente viene de ajustar cómo y dónde graba, no de que el software cambie.

¿Se personaliza en algo la voz en el reconocimiento de voz del iPhone?

Una parte muy concreta sí — «Hey Siri» se configura pidiéndote decir la frase varias veces para que el teléfono aprenda a reconocerte a ti como quien habla. Es una función aparte y propia de Siri para identificar quién habla, no algo a lo que se conecte la transcripción de una app de terceros.

¿Por qué a veces la misma grabación se transcribe distinto en un segundo intento?

Normalmente porque se ejecutó una pasada distinta — un intento en el dispositivo una vez, un reintento contra el servidor de Apple la otra, según las condiciones de red en ese momento. Es una diferencia en qué modelo fijo gestionó la petición, no que ninguno de los dos haya mejorado.

Si la app no va a aprender una palabra que sigo teniendo que corregir, ¿qué hago?

Corrígela directamente en el texto de la transcripción en cuanto salga — es muy probable que el reconocedor cometa el mismo error otra vez con la siguiente grabación, porque tu corrección no cambia nada del modelo de fondo. Conviene comprobar antes que el idioma de transcripción coincide con cómo hablas de verdad, porque un ajuste equivocado ahí provoca exactamente este tipo de error repetido.