¿Cuánto tarda en transcribirse una nota de voz en el iPhone?

Escribe en una nota y las palabras aparecen mientras tecleas. Entrega una grabación al teléfono para transcribirla y pasa algo distinto: a veces el texto vuelve antes de que hayas soltado el teléfono, a veces tarda notablemente más, y no hay ningún reloj que te diga cuál de las dos te va a tocar. Ninguno de los dos resultados significa que algo vaya mal. Son dos procesos distintos, y cuál se ejecute decide la espera.

Transcribir es un paso que das tú, no algo que ocurre solo al grabar

Una grabación guardada en tu biblioteca sigue siendo solo una grabación hasta que pides una transcripción: convertir la voz en texto es una acción separada, no algo que suceda de forma invisible en cuanto pulsas detener. Esto importa porque el reloj solo arranca cuando de verdad lo pides, y todo lo que pasa entre esa petición y la aparición del texto es exactamente lo que trata esta guía.

Dos vías distintas, y esperan de forma distinta

La vía local

Cuando el idioma ya tiene un modelo en el teléfono, el audio se procesa ahí mismo, usando el propio procesador y el motor neuronal del teléfono. No se sube nada, así que no hay ningún paso de red que esperar: toda la espera es simplemente lo que tarde ese hardware en trabajar el audio. Un clip corto y claro en un idioma bien cubierto suele ser lo más rápido que puede dar este proceso.

El servidor de Apple, como respaldo

Esta vía solo se ejecuta si el intento local ya ocurrió y volvió vacío o dio error. Esta vez el audio sí sale del teléfono de verdad: se sube, se procesa en los servidores de Apple y el texto vuelve. Tres pasos por red en lugar de cero, así que una conexión lenta o una señal débil se nota aquí de una forma que nunca se nota en local.

Por qué el respaldo hace que un archivo tarde más, no solo distinto

El respaldo no es un atajo que sustituye al intento local, viene después de él. Una grabación que acaba necesitando el servidor se intentó primero en local, ese intento falló o volvió vacío, y solo entonces empieza el segundo intento, el que usa la red. Así que un archivo que pasa por el respaldo no se transcribe en vez de en local, se transcribe dos veces, una detrás de otra, y precisamente por eso puede tardar notablemente más que un archivo que la pasada local resolvió bien a la primera.

Qué cambia realmente la espera

• Cuánto audio hay: más voz es más trabajo para cualquiera de las dos vías, más o menos en proporción.
• Si el idioma tiene siquiera modelo local. La cobertura del reconocimiento local es más estrecha que la de los idiomas admitidos para transcripción en general, así que algunos idiomas van directos a la vía lenta cada vez, sin llegar a probar la rápida.
• La calidad del audio. Un audio bajo, lejano, con ruido de fondo o con acento marcado es justo el tipo de cosa que puede hacer que el intento local vuelva vacío, que es lo que dispara el respaldo más lento en primer lugar.
• La calidad de la conexión, pero solo cuando es el respaldo el que se ejecuta. Da igual para un archivo que resuelve la pasada local.

Las grabaciones largas, en concreto

Una clase de noventa minutos no tiene por qué procesarse como un único bloque ininterrumpido: el audio largo se suele trocear en tramos en sistemas construidos así, de modo que un archivo muy largo puede volver por partes en vez de todo de golpe o nada en absoluto. Eso es más un detalle de implementación que algo con lo que hacer planes, pero conviene saberlo sobre todo para que una grabación larga tardando notablemente más que una nota de dos minutos no se lea como una señal de que algo se ha quedado atascado.

Qué hacer mientras se procesa

Para algo largo, conecta el teléfono a la corriente. Ejecutar un modelo de voz exige al procesador y al motor neuronal, y un archivo largo calentará el teléfono y gastará batería de verdad — la misma razón por la que un juego exigente o una videollamada larga agotan un teléfono más rápido que ir mirando el correo. Fuera de eso, no hay nada que hacer para que vaya más rápido. Es un coste puntual por grabación, no algo que siga corriendo una vez que el texto ya ha vuelto.

Cómo lo hace Voice Studio

Voice Studio intenta siempre primero la vía local y solo reintenta contra el servidor de Apple si esa pasada vuelve vacía o da error. Una grabación corta en un idioma bien cubierto en un teléfono capaz suele ser el caso más rápido que existe, y no llega a tocar la red en ningún momento. Algo en un idioma menos común, o grabado en un sitio ruidoso, es más probable que tome la vía lenta — no porque nada haya fallado de forma permanente, sino porque se está probando en silencio por una segunda vía después de que la primera no diera nada. La transcripción cubre 38 idiomas; la cobertura local entre ellos es más estrecha y la decide Apple, no la app. En cualquier caso, no hay cuenta ni servidor propio en ninguna parte del proceso.

Preguntas frecuentes

¿La transcripción ocurre mientras grabo, o solo después de parar?

Después. Transcribir es un paso separado que das una vez que la grabación ya existe; no funciona en directo mientras hablas, como sí hace el dictado en un campo de texto.

¿Una grabación más larga siempre tarda proporcionalmente más en transcribirse?

Más o menos, pero no exactamente: la cobertura del idioma, la calidad del audio y si el intento local tiene éxito afectan a la espera más que la duración por sí sola.

¿Por qué una transcripción volvió casi al instante y otra tardó mucho más?

La rápida muy probablemente se resolvió por completo en el teléfono. La lenta probablemente necesitó el respaldo del servidor, lo que significa que se transcribió en la práctica dos veces: primero en local, y luego otra vez por red después de que ese primer intento volviera vacío.

¿Transcribir una grabación gasta bastante más batería?

Ejecutar un modelo de voz en el teléfono exige al procesador y al motor neuronal, así que un archivo largo calentará el teléfono y usará algo de batería. Conectarlo a la corriente para una transcripción larga es un hábito razonable, igual que para cualquier otra cosa que mantenga el procesador ocupado.