¿Por qué mi transcripción de nota de voz en el iPhone no tiene puntuación?

Abres una transcripción recién hecha y las palabras suelen estar bien — a veces sorprendentemente bien. Luego te fijas en que no hay coma donde hiciste una pausa, no hay signo de interrogación en la única frase que era claramente una pregunta, y hacia el tercer minuto deja de intentarlo y todo queda seguido. Eso no es la transcripción fallando. Es la transcripción haciendo exactamente lo que fue diseñada para hacer, que resulta ser una tarea más limitada de lo que parece desde fuera.

Dos problemas distintos con una sola cara

Reconocer qué palabras se dijeron y decidir dónde termina una frase no son la misma tarea, aunque una transcripción terminada haga que lo parezcan. La primera es reconocimiento de patrones: un tramo de audio se asocia con una secuencia de palabras que un modelo ya ha escuchado en un millón de variaciones. La segunda se parece más a adivinar la intención de alguien — la puntuación codifica intención, y la intención hay que inferirla de cosas que el audio solo insinúa: cuánto duró una pausa, si el tono subió o bajó, si hubo una respiración.

Un motor de reconocimiento se entrena y se ajusta sobre todo para el primer problema, porque es el que tiene una respuesta correcta clara. El segundo no la tiene. Dos personas transcribiendo a mano la misma grabación tampoco puntuarían igual — simplemente serían mejores que un modelo adivinando qué lectura quiso dar quien hablaba.

Con qué tiene que trabajar realmente el motor de reconocimiento

Pausas, no gramática

El reconocimiento de voz no analiza la gramática como un ejercicio de análisis sintáctico. Lo que tiene es tiempo: silencio entre palabras. Una pausa larga tras una frase es la señal más fuerte que recibe de que ahí termina una oración, así que suele ser donde aparece un punto, si es que aparece alguno. Una pausa corta para respirar en mitad de una idea puede tratarse exactamente igual, o no tratarse en absoluto — el modelo está midiendo milisegundos, no significado.

Entonación y ritmo, de forma imperfecta

Una pregunta en español suele subir el tono al final; una afirmación suele bajarlo. Parte de esa entonación llega a la transcripción como signo de interrogación, parte no, y una entrega monótona, cansada o apresurada elimina esa pista casi por completo. Lee una frase en tono plano y hasta una persona transcribiendo a mano tendría problemas para notar que era una pregunta — al modelo le pasa lo mismo, solo que más a menudo.

Los párrafos no reciben nada en absoluto

Esto es lo que más se nota y menos se explica: las transcripciones suelen llegar como un bloque continuo, sin ningún salto de párrafo en ninguna parte. No es tanto una función que falte como un concepto ausente — un salto de párrafo es un juicio sobre dónde termina un tema y empieza otro, y nada en el audio lo marca de la forma en que una pausa marca el final de una frase. Ningún motor de reconocimiento, en el teléfono o fuera de él, inserta eso.

¿Importa cuál de los dos motores se usó?

iOS intenta primero el reconocimiento de voz en el dispositivo y solo recurre al servidor de Apple si esa pasada local vuelve vacía o falla — el mismo mecanismo que determina qué tal salen las propias palabras. La puntuación no es notablemente más fiable en una vía que en otra, porque las dos resuelven el mismo juego de adivinanzas con la misma evidencia escasa: duración de la pausa y tono, no una comprensión de lo que quisiste decir. No esperes que una transcripción se lea más como prosa solo porque esa vez corrió en el servidor.

Qué ayuda de verdad mientras grabas

No hay ningún ajuste que arregle esto, pero cómo hablas cambia cuánto tiene que adivinar el modelo:

• Una pausa clara al final de una idea le da al modelo algo con lo que trabajar. Pasar directamente de una frase a la siguiente elimina la única señal que tiene.
• Bajar el tono deliberadamente al terminar una afirmación, o subirlo al terminar una pregunta, es la misma pista que usa quien escucha — y el modelo también intenta usarla, solo que con menos fiabilidad.
• Una persona hablando a la vez. El habla superpuesta no solo le cuesta palabras al reconocedor, destruye el patrón de pausas que necesita para adivinar dónde están los límites de las frases.
• Ir más despacio específicamente en nombres, números y términos técnicos — no en toda la grabación. Son las palabras con más probabilidad de salir mal independientemente de la puntuación, así que un pequeño cambio ahí vale más que un pequeño cambio en cualquier otra parte.

Arreglarlo después, sin volver a escribirlo todo

La puntuación y los saltos de párrafo son también lo más rápido de corregir a mano, porque no estás arreglando una palabra equivocada — solo estás colocando marcas que quien escucha pondría por instinto. Lee la transcripción una vez a ritmo normal, como corregirías cualquier texto, y añade un punto o un salto de línea donde tu oído lo espere. Va rápido porque tú ya sabes lo que se quiso decir; el modelo estaba adivinando exactamente eso que tú ya sabes.

Esta pasada vale más que perseguir una grabación mejor solo por la puntuación. Una sala más silenciosa y un micrófono más cerca sí ayudan a que las palabras salgan bien — eso responde a los ajustes de calidad y a la colocación — pero la puntuación depende de la pausa y el tono, no de la claridad, así que una grabación impecable puede seguir volviendo como una sola frase interminable.

Cómo lo maneja Voice Studio

La transcripción pasa por el motor de voz de Apple, intentando primero la vía en el dispositivo, así que la puntuación que aparece es la que ese motor decidió — Voice Studio no aplica una pasada aparte para añadirla o quitarla. Lo que sí ofrece es una transcripción que queda editable después: corriges una coma, añades un salto de párrafo, arreglas un nombre, y la corrección se queda sin tener que rehacer el resto del texto.

Preguntas frecuentes

¿Puedo hacer que Voice Studio añada puntuación automáticamente?

No — la transcripción refleja lo que produjo el motor de reconocimiento de voz de Apple, primero en el dispositivo, y la app no aplica una pasada aparte para añadir o limpiar la puntuación. Editarla después es la solución fiable, y la transcripción queda editable justo para eso.

¿Hablar más despacio arregla la puntuación?

Hablar más despacio en general no, pero dejar una pausa clara entre frases sí — esa pausa es la señal principal que tiene un motor de reconocimiento para saber dónde termina una frase y empieza la siguiente.

¿La transcripción por servidor puntúa mejor que la del dispositivo?

No de forma notable. Las dos infieren los límites de las frases a partir de la duración de la pausa y el tono, no del significado, así que cambiar cuál de las dos se usó difícilmente cambia cómo se lee la puntuación.

¿Por qué mi transcripción sale como un párrafo gigante sin cortes?

Porque un salto de párrafo marca dónde termina un tema y empieza otro, y nada en el audio lo señala como una pausa señala el final de una frase. Ningún motor de reconocimiento de voz los inserta — esa estructura hay que añadirla leyendo la transcripción después.