¿Por qué mi transcripción de una nota de voz en iPhone incluye "eh" y "esto"?

Una transcripción que dice "o sea, eh, creo que la, esto, la fecha límite es el viernes" parece el reconocedor tropezando consigo mismo. No lo es. "Eh" y "esto" son sonidos reales, con su propia forma acústica, y un modelo que distingue bien entre palabras es, por el mismo mecanismo, razonablemente bueno detectándolos también. Lo sorprendente no es que aparezcan — es que no aparecen siempre.

El reconocedor no sabe qué es una muletilla

El reconocimiento de voz convierte sonido en texto. No se le indica, como norma, "estos sonidos concretos son muletillas, descártalos" — eso exigiría decidir qué querías decir frente a qué dijiste realmente, que es un juicio sobre intención, no una tarea de transcripción. Sin esa instrucción, la salida honesta es todo lo que se pronunció, dudas incluidas, por la misma razón que una transcripción conserva una palabra repetida o una frase que se corta y arranca de nuevo: el trabajo del reconocedor termina en "qué sonido fue ese", no en "merecía la pena conservar ese sonido".

Por qué es inconsistente y no todo o nada

Varias cosas inclinan un "eh" o un "esto" concreto en un sentido u otro, y ninguna se controla desde una pantalla de ajustes:

• Con qué claridad se pronunció. Un "eh" corto y cortado entre dos palabras puede mezclarse con el sonido de alrededor y nunca resolverse como unidad propia, igual que una palabra real dicha entre dientes puede desaparecer.
• Qué había justo alrededor. Una muletilla justo antes de una pausa tiende a sobrevivir; una que se traga a mitad de frase, sin hueco a ningún lado, es más probable que se funda con lo de al lado o se pierda.
• Cómo se dijo, no solo qué. Un "ehhh" alargado y marcado se comporta distinto a un "eh" rápido casi recortado del todo — acústicamente no son el mismo suceso, aunque una persona oiga ambos como muletilla.

Nada de eso es un fallo que reportar. Es el mismo patrón de reconocimiento bajo incertidumbre que rige cada otra palabra de la transcripción, aplicado a sonidos que resultan ser dudas en lugar de contenido.

¿Cambia esto según sea en el dispositivo o en el servidor?

iOS intenta primero el reconocimiento de voz en el dispositivo y solo recurre al servidor de Apple si ese primer intento vuelve vacío o falla. Ambos parten de la misma evidencia acústica y con la misma falta de instrucción para filtrar dudas, así que cuál de los dos se haya usado en una grabación concreta no es una forma fiable de conseguir más o menos muletillas en el resultado — la inconsistencia está en el audio y en el modelo, no en cuál de los dos corrió.

Cuándo conviene dejarlas

Antes de borrar cada "eh", vale la pena preguntarse si esta transcripción lo necesita. Un registro literal de una declaración, una entrevista o una conversación difícil a veces es más útil con las dudas dejadas dentro — una pausa y un titubeo antes de que alguien responda puede ser parte de para qué sirve esa transcripción. Y si la grabación existe para ayudarte a oír tus propios hábitos al hablar — ensayando una charla, practicando una respuesta —, las muletillas son precisamente lo que quieres escuchar; limpiarlas del texto antes de haber notado el patrón en el audio va en contra del propósito.

Limpiarla cuando no las necesitas

Para el uso cotidiano — convertir una nota de voz en apuntes, un borrador, un mensaje —, las muletillas son solo ruido que quitar, y la forma más rápida no es cazar cada una por separado sino una sola lectura seguida: leer la transcripción a ritmo normal y borrar los "eh", los "esto" y alguna palabra repetida a medida que el ojo se topa con ellos, el mismo pase que harías para la puntuación o un nombre mal captado. Va rápido porque no estás corrigiendo contenido, estás recortando sonidos que nunca pretendieron transmitir significado.

Cómo lo gestiona Voice Studio

La transcripción pasa por el motor de voz de Apple, primero en el dispositivo, y Voice Studio no aplica un paso aparte para detectar o quitar muletillas — lo que el reconocedor haya escrito es lo que aparece en la transcripción. Lo que sí ofrece es una transcripción que sigue siendo editable después, sin coste: borra un "eh", corrige una palabra mal oída, y la corrección se mantiene allí donde se use ese texto — la búsqueda dentro de la app, y una exportación en TXT o JSON lleva la versión corregida, no la original.

Preguntas frecuentes

¿Puedo hacer que Voice Studio quite las muletillas automáticamente en las transcripciones?

No — no hay ningún ajuste que elimine "eh" y "esto" antes de que lleguen a la transcripción. El texto refleja lo que produjo el reconocedor de Apple, y quitar muletillas es una edición manual, igual que corregir cualquier otra palabra.

¿Por qué la transcripción capta un "eh" la primera vez y se le escapa más adelante en la misma grabación?

Porque cada aparición se reconoce de forma independiente a partir del sonido que la rodea, no como un patrón que se sigue. Con qué claridad se pronunció ese "eh" en concreto, y qué pausa había alrededor, decide si esa aparición se escribe — no si las anteriores lo hicieron.

¿Cambiar a transcripción por servidor quita las muletillas?

No. iOS intenta primero el reconocimiento en el dispositivo y solo recurre al servidor si ese intento vuelve vacío o falla, y ambos parten de la misma evidencia acústica sin ninguna instrucción para filtrar dudas, así que cuál de los dos se haya usado no cambia de forma fiable cuántas muletillas aparecen.

¿Debería quitar las muletillas de todas mis transcripciones?

Solo si la transcripción necesita leerse limpia. Un registro literal — una entrevista, una declaración, un ensayo que estás revisando para tu propio ritmo al hablar — puede ser más útil dejándolas dentro, porque a veces las dudas mismas son la información que buscabas.