product

Speech-to-text (STT)

Definición

La transcripción de voz a texto convierte el audio hablado en texto casi en tiempo real, la primera fase de las llamadas traducidas.

La transcripción voz-a-texto, llamada STT o ASR, es el proceso que convierte un flujo de audio en texto. En llamadas en vivo el modelo debe entregar transcripciones parciales cada pocos cientos de milisegundos, aguantar las pausas y las voces solapadas, y recuperarse de los cortes cuando el hablante termina una frase. ChromePing usa el STT por streaming de Deepgram, pilotado por un agente de LiveKit que reenvía los frames de audio Opus; las transcripciones parciales aparecen en el navegador como subtítulos mientras la transcripción final pasa a la etapa de traducción automática.