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.
Términos relacionados
Text-to-speech (TTS)
La síntesis de voz es la última etapa de una llamada traducida, lee en voz alta el texto traducido con una voz del idioma de destino.
Call translation latency
La latencia de traducción de llamada es el tiempo entre el final de la frase del hablante y el momento en que la otra parte oye la versión traducida, idealmente menos de 1,5 segundos.
Audio codec
Un códec de audio comprime la voz en un flujo de bits para transmitirlo. Opus es el códec estándar del navegador usado por WebRTC y por ChromePing.