Transcribí español rioplatense en tu propio servidor.
Prosodia Local convierte llamadas y audiencias en transcripciones con hablantes y marcas de tiempo.
Corre dentro de tu red: el audio y el texto nunca salen de ella.
- 11,4 %WER en audio telefónico de 8 kHz
- 0,42×tiempo real en una NVIDIA L4
- Hasta 6hablantes por grabación, con diarización
Muestras de audio
Tres clips de 5 segundos. La referencia humana y la salida del modelo, lado a lado.
Audio sin editar, tal como lo recibe el modelo, de grabaciones propias con el consentimiento de cada hablante; no es audio de clientes. Cada error está marcado y contado.
-
Referencia
Mirá, yo ya llamé tres veces esta semana y nadie me resolvió lo de (omitidas por el modelo) la tarjeta.
Prosodia Local
Mirá, yo ya llamé tres veces esta semana y nadie me resolvió faltan dos palabras la tarjeta.
2 omisiones en 16 palabras de referencia. “lo de” se pronunció como una sola sílaba.
-
Referencia
Que conste en el acta que el testigo reconoce la firma obrante a fojas (sustituida por el modelo) doce.
Prosodia Local
Que conste en el acta que el testigo reconoce la firma obrante a hojas (sustitución de “fojas”) doce.
1 sustitución en 15 palabras de referencia. La /f/ de “fojas” es un sonido débil y quedó enmascarada por el ruido de la sala.
-
Referencia
No, no, no, el titular es mi viejo, en la referencia no hay nada en este punto yo soy el hijo, ¿me entendés?
Prosodia Local
No, no, no, el titular es mi viejo y (insertada por el modelo) yo soy el hijo, ¿me entendés?
1 inserción en 14 palabras de referencia. “Yo” se pronunció [ʃo]; el modelo agregó una “y” antes. El voseo “entendés” se transcribe tal como se dijo.
- S sustitución
- D omisión
- I inserción
- No se evalúan las mayúsculas ni la puntuación.
El problema
Por qué los modelos generales fallan con este audio
Los modelos neutros no captan el voseo ni la elisión.
“Tenés”, “vení”, “pa’ que”, la s aspirada. Estas formas son raras en los datos de entrenamiento neutros, así que los errores caen en las palabras que cargan el significado.
El audio judicial no puede ir a una nube extranjera.
Las audiencias registran a partes y testigos. La Ley 25.326 limita el envío de datos personales a otros países. La transcripción tiene que correr donde se guarda el audio.
El glosario del cliente no es opcional.
Nombres de productos, formatos de expediente, nombres de calles, los apellidos de los jueces. Sin ellos, un modelo escribe la palabra común más parecida. Cargamos el glosario antes del primer archivo.
Cómo funciona
Cuatro pasos, todos dentro de tu red
- Instalamos Prosodia Local en un servidor en tus instalaciones.
- Cargamos tu glosario: nombres, productos, formatos de expediente y de cuenta.
- Transcribís dejando archivos en una carpeta o llamando a la API.
- Exportás texto, subtítulos o JSON, con hablantes y marcas de tiempo.
Rendimiento
Tasa de error por palabras según el tipo de grabación
La WER (tasa de error por palabras) es la proporción de palabras erróneas frente a una referencia humana; cuanto más baja, mejor. Los dos sistemas reciben el mismo audio y la misma evaluación.
| Tipo de grabación | Prosodia Local | Whisper large-v3 |
|---|---|---|
| Teléfono, 8 kHz | 11,4 % | 28,3 % |
| Sala de audiencias, 16 kHz | 6,2 % | Sin medir todavía |
| Lectura limpia | 4,1 % | 5,1 % |
Qué dice un cliente
Antes auditábamos una muestra de las llamadas. Ahora el equipo de calidad busca en todas, y ningún audio sale del edificio.
Prueba de banco
Mandanos 20 minutos de tu propio audio. Te devolvemos tu tasa de error.
- Elegí 20 minutos que representen tus llamadas o audiencias, con una transcripción humana del mismo audio.
- Te devolvemos nuestra transcripción, la WER frente a la tuya y todos los errores, listados uno por uno.
- Si el audio no puede salir de tu edificio, hacemos la prueba ahí.