Reconocimiento de voz: cómo funciona y por qué el teléfono lo pone a prueba

Un sistema de reconocimiento de voz recibe una señal sonora, extrae de ella características acústicas y busca la secuencia de palabras más probable que corresponda a esa señal. Los sistemas recientes se basan en redes neuronales entrenadas con volúmenes muy grandes de audio transcrito. El modelo Whisper, descrito por sus autores en una publicación de diciembre de 2022, se entrenó así con 680 000 horas de audio multilingüe.

El reconocimiento no termina en la transcripción. En un agente de voz, el texto obtenido se analiza después para entender la intención de quien llama: pedir una cita, conocer un horario, avisar de un problema. Un error en la primera etapa se propaga a la siguiente: si se entiende «miércoles» en lugar de «martes», el resto de la conversación parte de una base equivocada.

La telefonía clásica transmite un sonido deliberadamente limitado. La recomendación G.711 de la Unión Internacional de Telecomunicaciones (UIT), utilizada en las redes telefónicas, fija una frecuencia de muestreo nominal de 8000 muestras por segundo, lo que limita mecánicamente las frecuencias transmitidas a menos de 4 kHz. Todo lo que supera ese límite se pierde, lo que empobrece la señal con la que trabaja el reconocimiento.

Los códecs llamados de banda ancha, como la recomendación G.722 de la UIT, que codifica audio de hasta 7 kHz, mejoran la situación, pero una llamada puede atravesar varias redes y el eslabón más débil determina la calidad final. A ello se suman las pérdidas de paquetes en las conexiones móviles o por internet, que hacen desaparecer fragmentos de sílabas.

Quien llama no lo hace desde un estudio de grabación. Puede estar en una obra, dentro de un vehículo, en una calle concurrida o en una cocina con la campana extractora encendida. El ruido de fondo enmascara parte de la voz y puede confundirse con palabras. Los acentos regionales o extranjeros, el habla rápida, los nombres propios poco comunes y los números dictados a toda prisa son otras fuentes de error.

La propia conversación plantea dificultades. Las personas dudan, se corrigen, hablan a la vez que su interlocutor o empiezan a responder antes de que termine la pregunta. Un sistema tiene que saber cuándo ha terminado de hablar quien llama, sin cortarle demasiado pronto ni dejarle esperando en un silencio incómodo.

Ningún proveedor puede garantizar un reconocimiento perfecto en todas las condiciones. Una atención telefónica por voz bien diseñada parte de esa constatación: reformula la información importante, como una fecha, un número de teléfono o una dirección, y pide confirmación antes de registrarla. Deletrea los nombres, o pide que se deletreen, cuando es necesario, y propone repetir en lugar de adivinar.

Para la empresa, la transcripción escrita de cada llamada permite releer lo que se ha entendido y detectar los errores recurrentes: un nombre de producto mal reconocido, una pregunta formulada de una manera imprevista. Esta información sirve para ajustar los datos que se facilitan al agente y para precisar los casos en los que conviene que transfiera la llamada.

La CNIL, la autoridad francesa de protección de datos, recuerda en su libro blanco sobre los asistentes de voz que la voz es una característica biométrica que puede permitir identificar a una persona, e insiste en la transparencia y la seguridad de estos dispositivos. Para una atención telefónica, esto supone informar a quien llama de la grabación al principio de la conversación, limitar el plazo de conservación y elegir un alojamiento cuya ubicación usted conozca.

Evite también que se dicten datos sensibles que no sean útiles para tramitar la solicitud. Cuantos menos datos recoja el sistema, menor es el riesgo en caso de error de transcripción o de incidente.

Alyas atiende el teléfono las 24 horas a partir de la información que usted le facilita, anuncia al principio de la llamada que es una IA y que la llamada se graba, y deja en su área de cliente una transcripción y un resumen de cada conversación. Sus datos se alojan en la Unión Europea. La prueba gratuita de diez días le permite comprobar, con las transcripciones en la mano, cómo entiende a quienes le llaman realmente.