Prueba de referencia de voz a texto: Deepgram vs. Whisper
Evaluamos a los principales proveedores de voz a texto (STT), centrándonos específicamente en aplicaciones de atención médica. Nuestra prueba de referencia utilizó ejemplos del mundo real para evaluar la precisión de la transcripción en contextos médicos, donde la precisión es crucial.
Resultados de la prueba de referencia de voz a texto
Basado en los resultados tanto de la tasa de error de palabras (WER) como de la tasa de error de caracteres (CER), GPT-4o-transcribe demuestra la mayor precisión de transcripción entre todos los sistemas de voz a texto evaluados. Deepgram Nova-v3 y Gladia también se desempeñan bien, manteniendo tasas de error bajas en ambas métricas.
Metodología
Conjunto de datos
Queríamos evaluar el rendimiento de los modelos tanto en muestras pequeñas y variadas como en una muestra larga, por lo que realizamos dos tareas:
Tarea 1: Datos de voz de atención médica
- Número total de muestras: 100
- Duración total: 9 minutos y 25 segundos
- Duración promedio por muestra: 5,65 segundos
- Contenido: Datos de voz de atención médica, incluyendo terminología médica, interacciones con pacientes y discusiones clínicas
- Variedad: Diferentes hablantes, calidad de audio variable y diversos contextos médicos hablados en inglés
Especificaciones de audio:
- Formato: WAV
- Canales: 1 (Mono)
- Ancho de muestra: 16 bits
- Frecuencia de muestreo: 16 kHz
- Tasa de bits consistente: 256 kbps
- Rango de duración: ~4,5 a 11,5 segundos por archivo
Tarea 2: Una conferencia de anatomía
- Número total de muestras: 1
- Duración total: 8 minutos y 35 segundos
- Contenido: Una conferencia de anatomía dada por un médico, incluyendo terminología médica
- Variedad: Un hablante habla en inglés en la primera mitad del video; se reproduce música de fondo.
Especificaciones de audio:
- Formato: WAV
- Canales: 2 (Estéreo)
- Ancho de muestra: 16 bits
- Frecuencia de muestreo: 48 kHz
- Tasa de bits consistente: 1536 kbps
Métricas de evaluación
Utilizamos la tasa de error de palabras (WER) y la tasa de error de caracteres (CER) como métricas de evaluación para la precisión de la transcripción. La tasa de error de palabras se calcula como:
WER = (S + D + I) / N
Donde:
- S = Número de sustituciones
- D = Número de eliminaciones
- I = Número de inserciones
- N = Número total de palabras en la verdad fundamental
La fórmula calcula el número mínimo de operaciones a nivel de palabra necesarias para transformar la hipótesis en la referencia, dividido por el número de palabras en la referencia. Un WER más bajo indica una mejor precisión, siendo 0% una coincidencia perfecta.
La tasa de error de caracteres (CER) se calcula dividiendo el número total de errores a nivel de caracteres (incluyendo inserciones, eliminaciones y sustituciones) por el número total de caracteres en el texto de referencia.
Utilizamos APIs de voz a texto para transcribir archivos de audio a texto.
El tamaño máximo de archivo de entrada a la vez por los proveedores se muestra en la tabla:
*Dado que Vosk se ejecuta localmente, no hay límite en el tamaño del archivo de entrada. Sin embargo, los archivos de audio largos pueden exceder el límite del haz, lo que provoca la pérdida de algunas probabilidades. Por lo tanto, se recomienda dividir los archivos en segmentos de 1-2 minutos.
Google MedASR también opera localmente y no impone un límite máximo de tamaño de archivo. Para un rendimiento óptimo y una gestión de recursos adecuada, se recomienda procesar archivos largos en segmentos más pequeños.
Nota: Para proveedores con límites de tamaño de archivo más pequeños (como Google y OpenAI), los archivos de audio más grandes deben dividirse en fragmentos más pequeños antes del procesamiento. Realizamos eso en la Tarea 2.
Reconocimiento de voz
El reconocimiento de voz permite a las computadoras transcribir archivos de audio a texto utilizando algoritmos de aprendizaje automático. La API de un servicio de transcripción puede utilizarse con varios lenguajes de programación para la transcripción por lotes. Estas plataformas soportan tanto la transcripción en tiempo real como la asíncrona.
La tecnología de reconocimiento de voz tiene numerosas aplicaciones, incluyendo transcripción, asistentes de voz y traducción de idiomas.
Beneficios de usar reconocimiento de voz para transcripción
- Transcripción rápida de archivos de audio
- Ahorro de tiempo y esfuerzo
- Transcripción y traducción en tiempo real
- Accesibilidad para personas con discapacidades
¿Cómo funcionan las herramientas de IA de voz a texto?
El proceso de transcripción incluye:
- Los datos de audio se cargan o transmiten a la herramienta de voz a texto
- Uso de algoritmos de aprendizaje automático para analizar los datos de audio e identificar patrones en el habla
- La herramienta convierte el habla a texto utilizando un motor de voz a texto
- El texto transcrito se muestra luego al usuario.
Añadir como fuente preferidaPreguntas frecuentes
La transcripción de audio y grabaciones de video puede utilizarse en:
Asistentes de voz y asistentes virtuales
Traducción e interpretación de idiomas
Sistemas de voz a texto (ASR) para personas con discapacidades
Sus modelos preentrenados permiten el reconocimiento automático de voz (ASR) para archivos de audio y video grabados. Las transcripciones de audio de alta precisión incluyen puntuación automática y detección de temas.
Se puede elegir un motor de código abierto o un proveedor de reconocimiento de voz de un servicio con el que su empresa ya trabaje (es decir, Google Cloud, AWS transcribe) como la solución de transcripción para las necesidades de su empresa. Algunos de ellos también ofrecen créditos gratuitos, pero recomendamos precaución con respecto a la seguridad de los datos.
Una API de voz a texto puede ayudar a transcribir archivos de audio a texto. Procesamiento y análisis de datos de audio:
Los datos de audio se procesan utilizando técnicas como reducción de ruido y cancelación de eco
Los datos de audio se analizan luego utilizando algoritmos de aprendizaje automático para identificar patrones en el habla
Los algoritmos utilizan modelos acústicos y modelos de lenguaje para reconocer palabras y frases habladas
Conversión de habla a texto utilizando algoritmos de aprendizaje automático:
Los algoritmos de aprendizaje automático se entrenan con grandes conjuntos de datos de audio y texto
Los algoritmos aprenden a reconocer patrones en el habla y los convierten en texto
Los algoritmos pueden ajustarse y personalizarse para casos de uso y idiomas específicos
Lectura adicional
Cita este benchmark
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Alper, Şevval},
title = {{Prueba de referencia de voz a texto: Deepgram vs. Whisper}},
year = {2026},
month = jan,
howpublished = {\url{https://aimultiple.com/speech-to-text}},
note = {AIMultiple. Recuperado el 22 de Enero de 2026}
}
Siguiente para leer
Principales 10 de software de seguridad de endpoints
Mejores herramientas de monitoreo de rendimiento de bases de datos: Comparación de las 5 mejores plataformas
Múltiple GPU Benchmark: B200 vs H200 vs H100 vs MI300X
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.