Cómo mejora la IA el subtitulado y la transcripción

Durante la pandemia de COVID, la tecnología permitió difundir información de salud pública a gran escala. Gobiernos y organizaciones sanitarias necesitaban comunicar medidas para reducir la propagación del virus. El acceso a la información era esencial. A medida que más personas recurrieron a espacios virtuales para mantenerse conectadas, también aumentó la importancia del subtitulado de vídeo. 

En el ámbito del subtitulado, la tecnología de reconocimiento del habla utiliza inteligencia artificial para ampliar la capacidad del proceso. Puede ahorrar tiempo y reducir costes. Los sistemas de IA se entrenan para transcribir el habla, mientras que la estenotipia y la escritura por voz dependen de la disponibilidad de profesionales. Aunque la transcripción y el subtitulado humanos suelen ofrecer mayor precisión, el reconocimiento automático del habla, o ASR, permite procesar contenido a mayor escala.

La conversión de voz a texto mediante inteligencia artificial (IA) y ASR ha influido de forma notable en estas técnicas de producción. Puede reducir costes y acelerar el proceso. Lo que hace unas décadas parecía difícil de alcanzar se utiliza ahora de forma habitual en el sector de los medios y el entretenimiento.

¿Qué es ASR?

La tecnología ASR tradicional puede describirse mediante tres componentes. Primero, un modelo acústico predice fonemas, las unidades mínimas del habla, a partir de fragmentos de audio. Segundo, el algoritmo analiza un léxico o vocabulario junto con la información acústica. Tercero, un modelo lingüístico combina ambos elementos para formar patrones de habla reconocibles por la máquina. 

En resumen, las máquinas se entrenan para reconocer patrones del habla y del lenguaje y convertir esa información en texto. 

Limitaciones de ASR

ASR no es una tecnología perfecta. Depende de factores como la calidad del audio, los acentos y el habla simultánea. También puede cometer errores con repeticiones, redundancias y muletillas que forman parte de la conversación y del proceso de pensamiento humano.

Los errores más habituales de ASR pertenecen a estas categorías:

1. Puntuación
2. Gramática
3. Errores al reconocer a los hablantes, sobre todo cuando intervienen varias personas
4. Falsos comienzos y muletillas, como «ah», «eh» y «mmm»
5. Homónimos
6. Habla simultánea y ruido de fondo
7. Mala calidad del audio

ASR también afronta dificultades cuando una persona se corrige a mitad de una frase. Un profesional del subtitulado o la transcripción puede reconocer estos casos y aplicar su criterio al representar el texto de forma comprensible y acorde con la intención de quien habla. La tecnología de reconocimiento del habla sigue evolucionando para distinguir estos patrones y comprender mejor el contexto.

Ventajas de ASR

ASR puede simplificar el subtitulado y la transcripción cuando deben tenerse en cuenta el coste y el tiempo. Una forma de mitigar errores es añadir una fase de edición entre el reconocimiento automático del habla y la transcripción final. Las versiones posteriores de estas tecnologías pueden incorporar mejoras, pero los resultados deben evaluarse para cada uso.

A pesar de sus limitaciones, ASR desempeña un papel en el subtitulado, especialmente en vídeos en directo con poco tiempo de producción. Los proveedores pueden trabajar con profesionales del subtitulado para eventos en directo y utilizar ASR en determinados flujos de streaming. 

Otra aplicación de la IA al subtitulado y la transcripción es la traducción automática (MT), una herramienta relevante para la localización. Los subtítulos traducidos mediante IA ayudan a que quienes no dominan el idioma original comprendan el contenido. Durante la pandemia, este servicio permitió que participantes de distintos países siguieran eventos en directo y en línea.

Cómo utiliza SyncWords la IA

La IA aporta escala y eficiencia de costes, mientras que SyncWords incorpora revisión humana en fases importantes para mejorar los resultados. En contenidos bajo demanda o pregrabados, su tecnología de IA sincroniza el contenido con la transcripción. Las transcripciones creadas por profesionales permiten generar subtítulos temporizados y redactados con precisión. También se ofrecen subtítulos a partir de transcripciones ASR para quienes priorizan rapidez y coste y aceptan las limitaciones del texto automático. 

Para subtítulos en directo, SyncWords ofrece resultados profesionales y ASR. Para los subtítulos traducidos en directo, recomienda utilizar subtítulos profesionales como origen y traducirlos mediante IA a 163 idiomas.     

En palabras del cofundador de SyncWords, Ashish Shah: “SyncWords’ core technologies are powered using its proprietary Machine Learning technology and infrastructure. Using Artificial Intelligence in combination with automation, tools, and human services has reduced the time to generate captions and subtitles from a few days to just a few minutes. This hybrid approach has helped our customers immensely and increased their output and accuracy of captions.”

Conclusión

La inteligencia artificial permite programar sistemas mediante reglas y algoritmos para tecnologías como ASR y MT. En las últimas décadas han aparecido servicios como Siri, Alexa, Cortana, los chatbots y la conversión de voz a texto de Google. También se utiliza en resultados de búsqueda personalizados y respuestas sugeridas de correo electrónico. En subtitulado, tanto para eventos en directo como para vídeos bajo demanda, combinar IA y aportación humana permite elegir el equilibrio adecuado entre velocidad, coste y precisión para cada proyecto.  

Artículos relacionados del blog de SyncWords

• 5 razones para subtitular sus reuniones en directo
• Subtítulos en directo: 4 buenas prácticas para eventos virtuales
• Los orígenes de SyncWords, la IA y el futuro: entrevista con Ashish Shah
• Inclusión y accesibilidad en su organización

‍