Fase I: Conversion de voz a texto
Se busca encontrar una herramienta o modelo de transcripción a el idioma español que se adapte a las necesidades de nuestro proyecto, teniendo en cuenta características como el tipo de entrada de audio, tiempo total de realización, precisión (WER), si necesita de conexión a internet, cuenta con un servicio gratuito o de pago…
Se ha investigado los distintos modelos existentes que se puedan utilizar en una aplicación móvil y se han probado todos los que estaban a nuestro alcance comparando las características antes mencionadas, descartando los que no eran compatibles con nuestra idea de proyecto.
Además, Se ha enfatizado la importancia de minimizar el tiempo de transcripción, procurando que, en la medida de lo posible no requiera conexión a internet y que el porcentaje de error se mantenga dentro de un margen aceptable. Asimismo, se ha evaluado la compatibilidad de estos modelos con herramientas destinadas a la detección de sentimientos a través del análisis del tono de voz y las expresiones faciales.
Estos modelos han sido evaluados mediante pruebas con los mismos audios, verificando las características previamente mencionadas. Para la realización de las pruebas, se han utilizado audios de Common Voice (Mozilla), una amplia colección de datos en español con diversidad de acentos; CHiME Dataset, un conjunto de datos diseñado para evaluar el rendimiento en entornos con ruido; y audios propios, grabaciones experimentales realizadas en condiciones reales.
A continuación, se presentará una tabla con las características teóricas de cada modelo que paso la fase de selección para después realizar pruebas.
Análisis y comparativa
El objetivo de este análisis es comparar los diferentes modelos y herramientas de transcripción de voz a texto evaluadas en este proyecto, considerando factores clave como precisión (WER), velocidad de transcripción, requerimientos de hardware, modo de operación (offline o en la nube), costos y compatibilidad con dispositivos móviles (Android). La finalidad es identificar cual de estos modelos se adapta mejor a las necesidades del proyecto, optimizando la transcripción en español sin depender de conexión a internet y asegurando un tiempo de respuesta óptimo. Se han analizado múltiples opciones de transcripción, las cuales se pueden dividir en tres grandes categorías:
Modelos de IA open-source para dispositivos locales (ejecución en CPU/GPU):
Whisper-Tiny (Whisper.cpp)
Whisper-Base (Whisper.cpp)
DeepSpeech-Polyglot
Servicios de transcripción basados en la nube (requieren conexión a internet):
Speechmatics
Whisper API (OpenAI)
Google Speech-to-Text API
VEED.IO / Descript
Herramientas integradas en Android
SpeechRecognizer (nativo en Android)
Cada modelo ha sido probado en el mismo dispositivo para garantizar una comparación justa en términos de rendimiento.
Conclusión de la comparación
Tras analizar los distintos modelos de transcripción, se ha determinado que los modelos más precisos son los de Google y OpenAI (Whisper API). Sin embargo, su implementación requiere pago por uso y conexión a internet, lo que los hace inviables para este proyecto.
Por otro lado, Whisper-Tiny y Whisper-Base (Whisper.cpp) representan las mejores opciones gratuitas, pero presentan demoras en la transcripción, lo que afecta su uso en aplicaciones que requieren procesamiento en tiempo real. Finalmente, SpeechRecognizer de Android se posiciona como la mejor alternativa para este proyecto debido a su rapidez, precisión y facilidad de integración, cumpliendo con los requisitos establecidos sin necesidad de conexión a internet ni costos adicionales.
Problemas encontrados en las pruebas
Durante la evaluación de cada modelo, se identificó diversas limitaciones que afectaron su viabilidad dentro del proyecto. Uno de los principales inconvenientes fue el tiempo de transcripción. Se observo que Whisper-Tiny y Whisper-Base presentan tiempo de procesamiento significativamente elevados en comparación con SpeechRecognizer de Android, lo que dificulta su uso en aplicaciones que requieren una respuesta en tiempo real.
Otro aspecto critico fue el consumo de recursos. Modelos como Whisper (OpenAI) y DeepSpeech-Polyglot requieren una CPU o GPU potente, lo que implica un alto uso de RAM y podría ralentizar el rendimiento del dispositivo. Por otro lado, los servicios basados en la nube, como Google Speech-to-Text o Whisper API, requieren una conexión constante a internet, lo que limita su usabilidad en entornos sin acceso estable a la red.
La compatibilidad con Android también presento un desafío. SpeechRecognizer resulto ser la única opción nativa y altamente optimizada para este sistema operativo, facilitando su integración. En contraste, Whisper-Base y Whisper-Tiny requieren el uso de Whisper.cpp, lo que complica su implementación en dispositivos móviles y aumenta la carga de trabajo en términos de desarrollo.
Finalmente, el costo fue un factor determinante en la selección del modelo. Aunque Whisper API y Google Speech-to-Text las opciones con mayor precisión, su uso implica costos elevados a largo plazo, lo que los hace inviable para este proyecto. Del mismo modo, servicios como Speechmatics y VEED.IO requieren suscripciones o pagos por uso, lo que los descarta como alternativas viables dentro de un presupuesto limitado.
Resultado de las Pruebas
Se realizaron pruebas con audios de diferentes duraciones para evaluar el tiempo de transcripción y la tasa de error en la transcripción (WER, Word Error Rate). A continuación, se presenta un resumen de los tiempos de transcripción y precisión obtenidos con los modelos más relevantes.
Selección de la Herramienta para la implementación del proyecto
La principal ventaja de SpeechRecognizer es su capacidad para realizar transcripciones en tiempo real sin generar tiempos de espera prolongados, lo que resulta fundamental para garantizar una experiencia fluida en el uso de la aplicación. A diferencia de otros modelos evaluados, su procesamiento es inmediato, lo que permite una respuesta rápida y eficiente.
Otro factor determinante en su selección es que no requiere conexión a internet, lo que permite su funcionamiento en cualquier entorno, sin depender de servidores externos o servicios en la nube. Esto representa una ventaja significativa en términos de accesibilidad y privacidad, especialmente en escenarios donde la conectividad des limitada o inexistente.
Por último, su implementación en Android es gratuita y sencilla, ya que forma parte de las herramientas nativas del sistema operativo. No es necesario instalar bibliotecas externas ni realizar configuraciones complejas, lo que facilita su integración en el desarrollo de la aplicación y reduce la carga de trabajo en términos de implementación.
Implementación técnica
La implementación de SpeechRecognizer en el proyecto se basó en la propia documentación de Android. Se creo una clase que permitía utilizar la herramienta de forma sencilla, su flujo de trabajo es el siguiente:
Se piden permisos al usuario para utilizar el micrófono.
Inicializa el reconocimiento de voz.
Escucha al usuario cuando se presiona un botón (Start Recording)
Muestra la transcripción en tiempo real en la pantalla.
Se detiene el reconocimiento automáticamente o al presionar otro botón (Stop Recording).
Conclusión
Aunque modelos como Whisper-Base (Whisper.cpp) y Whisper-Tiny ofrecían soluciones offline, sus tiempos de transcripción eran excesivamente largos, lo que los hace inviables para el propósito del proyecto. En contraste, SpeechRecognizer de Android se posiciona como la mejor opción, gracias a su rapidez y precisión, sin necesidad de hardware avanzado ni conexión a la nube.