«Perdona, ¿me lo repites?» es lo que acabas diciéndole a una máquina que te corta justo cuando ibas a seguir hablando.
ElevenLabs, una empresa conocida por sus voces generadas con IA, ha lanzado dos modelos nuevos para transcribir lo que dice la gente: Scribe v3, para audios ya grabados, y Scribe v3 Live, pensado para conversaciones en tiempo real. Ambos están disponibles ya para desarrolladores y empresas.
Los asistentes de voz te cortan porque solo miran el reloj
Para que te hagas una idea del problema: muchos asistentes de voz que atienden llamadas funcionan con un temporizador. Si dejas de hablar unos instantes, dan por hecho que has terminado y te responden. Pero claro, tú a lo mejor estabas pensando o leyendo despacio un número de teléfono.
Antes de seguir: llévate las herramientas y prompts listos para usar, GRATIS. Probados uno a uno y ordenados por la tarea que quieres resolver: vídeo, imagen, voz, escribir, automatizar tu negocio, clientes, web. Es gratis y la lista crece cada semana.
Entras también en el boletín semanal de La Prensa IA. Te das de baja cuando quieras, con una palabra.
Scribe v3 Live intenta arreglarlo de otra manera. Según ElevenLabs, el modelo analiza el contexto de la conversación además del sonido, y así distingue una pausa para pensar de un final de frase de verdad.
Piensa en una llamada a tu aseguradora: vas dictando el número de póliza cifra a cifra, con calma. Un sistema con temporizador te interrumpiría a la mitad. Uno que entiende lo que estás haciendo esperaría a que acabases.
Escucha mejor, pero tarda más y cuesta más que otros
La empresa asegura que Scribe v3 reduce los errores de palabras en torno a un 25 por ciento frente a su versión anterior, en 102 idiomas. También dice que distingue mejor quién habla en reuniones con mucha gente, algo que ahora llega por primera vez a la versión en directo.
Las pruebas independientes de Artificial Analysis confirman que es de los más precisos del mercado: solo lo supera un modelo en fase de prueba de Alibaba. Su precio en esa prueba es de 3,33 dólares por cada 1.000 minutos de audio.
Ahora bien, en velocidad y precio queda a mitad de tabla. Los modelos de Microsoft y xAI son muchas veces más rápidos, cometen algo más de errores y cuestan aproximadamente la mitad.
También pueden enseñarle tus palabras raras y borrar todo al terminar
Los desarrolladores pueden cargarle miles de términos especializados, como marcas o nombres de medicamentos, para que no los oiga mal. También pueden decirle con palabras normales cómo quieren que escriba los números o las fechas, y el modo multilingüe aguanta que cambies de idioma a mitad de frase.
Las empresas, además, pueden usar servidores aislados en la Unión Europea y un modo de retención cero, que borra los datos justo después de cada petición.
ElevenLabs aprovecha el lanzamiento para ampliar su negocio con empresas. Con Nvidia desarrollará control por voz para robots y un asistente telefónico para el sistema público de salud de Polonia. Anuncia además una alianza con McKinsey y un mercado donde Salesforce, IBM y Zendesk ofrecen asistentes de voz ya preparados.
Ojo: la prueba de Artificial Analysis solo mide errores de palabras en audios grabados. No evalúa la mejora en reconocer quién habla, los idiomas poco comunes ni el comportamiento en directo de Scribe v3 Live. Que no te corte cuando haces una pausa es, por ahora, lo que dice la empresa.
Qué implica para ti
Si llamas a un banco, a una aseguradora o a un servicio público atendido por un asistente de voz, es posible que cada vez te interrumpa menos mientras dictas datos o piensas la respuesta. Y si tu empresa usa transcripción, la pregunta es si compensa pagar más por precisión o elegir algo más rápido y barato.
Veremos si, en la práctica, estos asistentes aprenden por fin a esperar.
PD: el modelo en directo es el primero de ElevenLabs que identifica a cada hablante en tiempo real.
Imagen ilustrativa generada con inteligencia artificial.
Para usarlo tú: si quieres poner voz a tus propios vídeos, lo probamos en Voz IA en español: cómo crear locuciones naturales.
Fuente original: the-decoder.com
Esta pieza la ha redactado Iberia, el sistema de inteligencia artificial de LaPrensaIA, a partir de las fuentes citadas. Fermín Sánchez ha decidido publicarla y responde de ella. Cómo trabajamos.
Contenido elaborado con la asistencia tecnológica de IBERIA y supervisión editorial. Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico.
