Precisión de transcripción en mensajes de voz WhatsApp

Los mensajes de voz contienen el contenido real de la mayoría de las conversaciones modernas de WhatsApp. El clip de 2 minutos explicando una decisión, el standup diario rápido, la logística de recogida del grupo de padres, todo vive en audio. Si la transcripción es incorrecta, el resumen es incorrecto, y la parte más importante de la conversación se ve dañada.

Esta página es una referencia de trabajo para saber qué esperar de la transcripción de mensajes de voz de WhatsApp, qué mueve la calidad del resultado, y cómo ThreadRecap maneja los casos incómodos.

Cómo WhatsApp codifica los mensajes de voz

WhatsApp graba mensajes de voz con el códec de audio Opus dentro de un contenedor OGG. La extensión del archivo exportado es .opus, ocasionalmente .m4a en exportaciones antiguas de iOS (AAC dentro de un contenedor MP4). El codificador Opus se ejecuta en modo de voz sobre IP a aproximadamente 16 kbps, mono, frecuencia de muestreo de 16 kHz, ajustado para la inteligibilidad en lugar de la fidelidad musical.

Dos consecuencias importan para la transcripción:

1. Los artefactos de compresión son agresivos. Opus a 16 kbps es lo suficientemente bueno para entender la voz, pero elimina la mayoría de los detalles armónicos por encima de 8 kHz. Las sibilantes ("s", "sh", "f") y las oclusivas sordas ("p", "t", "k") son las primeras bajas cuando el ancho de banda cae más en una conexión deficiente.
2. La frecuencia de muestreo se fija a 16 kHz. No hay audio por encima del límite de Nyquist para recuperar, lo que establece un techo duro sobre lo que cualquier modelo de voz a texto puede escuchar, por bueno que sea.

ThreadRecap lee los archivos .opus directamente desde el archivo .zip exportado y los envía tal cual a la transcripción. No hay conversión de formato intermedio involucrada; una grabación demasiado grande para el límite del proveedor se corta en partes sin recodificar, para que lo que se transcribe siga siendo el audio original.

La transcripción: qué corre por debajo

La herramienta de voz a texto de ThreadRecap se ejecuta sobre la API de transcripción de audio de OpenAI. Nada de eso corre en tu dispositivo: el audio de el mensaje de voz se envía a OpenAI y vuelve como texto.

Tres consecuencias prácticas de ese diseño:

• No hay puntuación de confianza. La respuesta trae el texto, y nada más. ThreadRecap no recibe ni muestra un indicador de "esta transcripción es dudosa", así que ningún clip aparece marcado para revisión: si un pasaje va a citarse, hay que escucharlo.
• La detección de idioma es por clip. El modelo decide el idioma de cada mensaje de voz por su cuenta. ThreadRecap no envía una pista de idioma ni restringe la transcripción a una lista fija.
• Sin etiquetas de hablante. Cada clip devuelve un único bloque de texto sin diarización. Los mensajes de voz de WhatsApp son casi siempre de un solo hablante, por lo que esto rara vez es un problema; la atribución que ves en la línea de tiempo viene del remitente del mensaje, no del audio.

Qué esperar según la condición de la grabación, en audio típico de WhatsApp:

Ninguna de esas filas lleva un número, y es deliberado: las cifras de precisión que circulan proceden de benchmarks de laboratorio con audio de estudio, no del audio comprimido y grabado a mano alzada que sale de una exportación de WhatsApp. Aplicarlas a tu chat sería inventar una garantía.

Cobertura de idiomas en la práctica

La calidad sigue a la cantidad de material disponible para cada idioma. Los más hablados y mejor representados son los que salen mejor.

Los que mejor funcionan: inglés, español, portugués, francés, alemán, italiano, holandés, ruso, polaco, chino mandarín, japonés, coreano. Aquí la transcripción de un mensaje de voz típica de WhatsApp se lee con naturalidad.

Los que funcionan bien con repaso: árabe, turco, hindi, tailandés, vietnamita, checo, húngaro, sueco, griego, hebreo, indonesio, catalán. Sirven de sobra para resumir, pero los nombres propios y los números conviene verificarlos.

Los más irregulares: idiomas menos comunes, dialectos regionales fuertes y clips que mezclan dos idiomas. Siguen siendo útiles para recordar de qué iba la conversación, pero la cita directa debe contrastarse con el audio.

El portugués brasileño, el portugués europeo y el español latinoamericano están en el primer grupo. Los acentos regionales corrientes se transcriben con la misma soltura que el habla de televisión; los dialectos rurales fuertes con vocabulario no estándar se acercan más al segundo grupo.

Qué sale mal, en orden de frecuencia

1. Nombres propios

Los nombres, nombres de marcas, nombres de lugares y nombres de productos son los errores más comunes. El modelo sustituye un vecino fonético: "Priya" se convierte en "Pria" o "Priya"; "edificio Schwarzschild" se convierte en "edificio short shield"; "Botafogo" podría convertirse en "Bota fogo". El significado de la oración sobrevive, la ortografía no. Siempre verifica los nombres propios antes de citar.

2. Números y fechas

Las horas y fechas suelen ser correctas (el modelo ha visto suficientes patrones de "twenty-third" y "23rd" para manejar ambos). Los números de teléfono, precios y códigos de pedido son más riesgosos. Un "PIX 1.250 reais" hablado puede resultar en "1.250", "1,250" o "1250" dependiendo de la convención de locale, que es un problema de formato en lugar de un error de contenido.

3. Jerga técnica

Los términos específicos de la industria fuera de la distribución de entrenamiento (vocabulario médico, legal, de ingeniería especializado) obtienen sustituciones fonéticas. El inglés técnico común (API, SDK, frontend, deploy) se transcribe correctamente porque el corpus está dominado por audio de web en idioma inglés.

4. Cambio de código a mitad de oración

"So basically, vamos a hacer the deployment tomorrow" es difícil. El modelo elige un idioma para el clip e intenta sostenerlo. Los cambios breves generalmente se transcriben correctamente; un cambio sostenido a mitad de grabación puede producir un tramo en el idioma equivocado.

5. Texto inventado sobre el silencio

El fallo clásico de la transcripción automática: los pasajes silenciosos largos pueden activar texto fabricado, a menudo frases de relleno arrastradas del material de entrenamiento, y a veces la misma frase repetida en bucle durante párrafos. ThreadRecap colapsa esa repetición antes de guardar la transcripción, así que el bucle no llega ni al análisis ni a lo que lees; una frase suelta inventada sobre el silencio, en cambio, puede sobrevivir, y por eso el reproductor en línea está donde está.

Un ejemplo trabajado

Así es como la mismo mensaje de voz de 35 segundos se ve bajo tres condiciones:

Oficina tranquila, hablante nativo de inglés:

"Quick update on the launch. We're shipping Friday at 10 AM. Marcus owns the landing copy, Priya is on billing, and I'll handle the Slack announcement. Open question on whether we need a press hold."

Limpio. Los nombres, las horas y los responsables sobrevivieron, y el texto es citable tal cual.

Mismo hablante, caminando por una calle ocupada:

"Quick update on the launch. We're shipping Friday at 10 AM. Mark is on the landing copy, Pria is on billing, and I'll handle the slack announcement. Open question on whether we need a press hole."

Dos sustituciones de nombre, "Slack" en minúscula, "press hold" malinterpretado como "press hole". Las decisiones y la línea de tiempo sobrevivieron; los nombres necesitan verificación.

Mismo hablante, en un coche con ventanas abiertas:

"Update on launch. Shipping Friday at 10. [unintelligible] is on landing, [unintelligible] on billing, I'll handle the announcement. Question on press."

Los nombres se descartaron por completo (el modelo prefirió omitir en lugar de adivinar), pero la decisión y la línea de tiempo aún son recuperables.

Cómo ThreadRecap convierte transcripts en un resumen

Después de la transcripción, cada mensaje de voz se inserta en la línea de tiempo de la conversación en la marca de tiempo exacta donde se envió, se atribuye al remitente original, y se marca como audio. De ahí, la capa de análisis trata la voz y el texto de forma idéntica.

Eso significa:

• Una decisión hablada en un mensaje de voz aparece en la sección Decisiones.
• Un elemento de acción hablado en audio aparece en Elementos de acción con el hablante original como propietario.
• El Resumen sintetiza voz y texto juntos en lugar de tratarlos como flujos separados.
• La salida de Citas notables puede extraer de mensajes de voz, con el enlace de marca de tiempo volviendo al audio original.

Sin este paso de fusión, una herramienta de IA que "transcribe mensajes de voz" pero luego resume solo el contenido de texto perderá sistemáticamente las partes más sustanciales de la conversación. Este es el modo de fallo más común de los resúmenes de chat de propósito general.

Cómo mejorar la precisión antes de grabar

Si envías regularmente mensajes de voz que terminarán en un resumen:

• Distancia. Sostén el teléfono a 10–20 cm de tu boca. Más cerca que eso introduce ruido de aliento y de oclusiva; más lejos que eso capta reverberación de sala.
• Ritmo. El ritmo moderado supera al rápido o lento. El modelo maneja bien la voz conversacional natural; la voz apresurada y comida agrava los errores.
• Ambiente. Interior supera a exterior. Estacionario supera a caminar. Sala silenciosa supera a música o TV de fondo.
• Nombres y números. Exprésalos deliberadamente, idealmente dos veces si importan ("número de factura 4-7-2-9, cuatro siete dos nueve"). La redundancia le da al modelo una segunda oportunidad.
• Un idioma por clip. Si cambias de idioma, hazlo a través de un salto de oración, no a mitad de oración.

Estos no son requisitos estrictos. ThreadRecap está construido para lidiar con audio realista de WhatsApp, incluido ambiente de cocina y grabaciones caminando por la calle. Son palancas si quieres pasar de "lo suficientemente bueno para un resumen" a "cita verbatim".

Cómo mejorar la precisión después de los hechos

Dentro de ThreadRecap:

• Reproducción de audio en posición del mensaje. Cada mensaje de voz transcrito tiene un reproductor en línea. Haz clic para verificar cualquier clip específico contra el transcript.
• Verificación puntual de nombres propios primero. Ahí es donde suelen vivir los errores que cambian el sentido.
• Verifica números en compromisos. "Antes del martes a las 2" y "antes del martes a las 12" son una diferencia mínima en el texto y enorme en la práctica.
• Usa el seguimiento de IA. Preguntar "¿exactamente dónde Marcus acordó el plazo?" devuelve el clip exacto y la marca de tiempo, que expone problemas de transcripción si el audio subyacente realmente dijo algo diferente.

El equilibrio, planteado claramente

Ninguna transcripción automática es perfecta, y cualquiera que te prometa un porcentaje fijo sobre tu audio te está vendiendo el resultado de un laboratorio, no el de tu chat.

La comparación honesta no es transcripción contra transcripción perfecta. Es transcripción contra ignorar los mensajes de voz por completo. Un texto que captura cada decisión y cada elemento de acción, con un puñado de nombres mal deletreados que puedes corregir en medio minuto escuchando el clip, es mucho más útil que un resumen que omite por diseño toda la parte hablada de la conversación. Y en ThreadRecap la parte hablada entra entera: cada mensaje de voz de la exportación se transcribe, no una muestra, y cada transcripción se coloca en la marca de tiempo de su mensaje, atribuida a quien la envió.

Carga tu exportación y deja que el próximo chat decida por sí mismo.