Qué no hace

Resumen

Habla superpuesta de más de 1,5 s

Qué pasa. Cuando dos personas hablan a la vez durante más de 1,5 s, las palabras de una de ellas se pierden o se asignan a la otra.

Causa física. Un solo micrófono registra la suma de las dos voces, en la misma banda de frecuencias. Una superposición corta se puede resolver a partir del habla limpia que la rodea. Pasados los 1,5 s, no queda ningún tramo limpio de ninguna de las dos voces para anclar al hablante.

Qué hacer. Grabá cada parte en su propio canal: grabación de llamadas en estéreo, o un micrófono por puesto en la sala de audiencias. Así, cada canal se transcribe como un hablante propio.

Mensajes de IVR, tonos y música de espera

Qué pasa. En la salida aparecen palabras que nadie dijo: fragmentos del menú grabado o sílabas inventadas sobre la música.

Causa física. Los tonos del teclado y la música ponen energía estable y armónica en la misma banda de 300–3.400 Hz que la voz. El detector de habla no puede distinguirlos del habla solo por el nivel, y la voz grabada del IVR es habla.

Qué hacer. Recortá los segmentos de IVR y de espera antes de subir el audio, o exportá solo los tramos del agente y del cliente.

Cadenas alfanuméricas sin glosario

Qué pasa. Los números de cuenta, las patentes y los números de expediente salen con letras y dígitos cambiados: “be” por “ve”, “efe” por “ese”.

Causa física. En español, la b y la v son el mismo sonido. Los nombres de las letras son cortos, y muchos se diferencian solo por una fricativa como /f/ o /s/, cuya energía está mayormente por encima de 4 kHz: el límite superior del audio telefónico de 8 kHz. Sin un formato conocido, nada restringe la cadena.

Qué hacer. Agregá los formatos al glosario del cliente: el patrón de expediente, el de cuenta, el de patente. La salida se verifica contra ellos.

Acento del NOA

Qué pasa. Con hablantes de Salta, Jujuy, Tucumán, Catamarca y Santiago del Estero, la WER es más alta que las cifras del benchmark.

Causa física. La r asibilada del NOA suena parecida a la pronunciación rioplatense de “y” y “ll”, así que el modelo confunde las dos. La duración de las vocales y la entonación son distintas, y el corpus de entrenamiento tiene pocos hablantes del NOA.

Qué hacer. Hacé la prueba de banco con tu propio audio del NOA antes de decidir.

Alternancia con el portugués

Qué pasa. Las palabras y frases en portugués dentro de una conversación en español se escriben como la palabra en español más parecida.

Causa física. Las vocales nasales y las vocales finales reducidas del portugués no tienen una categoría del español con la cual corresponderse, y el vocabulario es solo en español.

Qué hacer. Marcá esas llamadas para revisión humana. Prosodia Local no admite portugués.

Reverberación por encima de RT60 0,8 s

Qué pasa. Los errores suben de forma pronunciada, sobre todo en los finales de palabra y en las palabras funcionales cortas.

Causa física. El RT60 es el tiempo que tarda un sonido en atenuarse 60 dB. Por encima de 0,8 s, la cola de cada sílaba sigue sonando fuerte cuando empieza la siguiente y enmascara las consonantes que separan las palabras. Las salas grandes con paredes y pisos duros llegan a ese valor.

Qué hacer. Poné un micrófono cerca de cada hablante, como uno de solapa o de escritorio, y agregá absorción acústica a la sala. Medimos el RT60 durante el piloto.

Solo por lotes, sin streaming

Qué pasa. No hay subtítulos en vivo. Un archivo se transcribe una vez que terminó la grabación.

Causa. El modelo lee cada enunciado en las dos direcciones antes de fijar una palabra; necesita el audio que viene después de esa palabra. Eso descarta la salida palabra por palabra mientras alguien sigue hablando.

Qué hacer. A 0,42× tiempo real, cada archivo está listo en menos de la mitad de su propia duración. Para un uso casi en vivo, cortá las grabaciones en archivos más cortos.