Kensho

El modelo acústico y el de lenguaje se entrenaron con audio financiero etiquetado por S&P Global, unos 300.000 horas en la versión actual. Por eso reconoce el vocabulario de una llamada de resultados, los símbolos bursátiles y los cargos directivos. Los sistemas pensados para conversación general fallan justo ahí.

Scribe puntúa el texto y quita muletillas, arranques en falso y repeticiones mientras escribe. Lo que sale parece una transcripción ya revisada por alguien. El lector y los procesos de lenguaje natural no heredan el ruido del audio. Para un equipo de análisis, la diferencia entre un documento útil y un volcado tosco está en ese paso.

Hay modelos separados que detectan los cambios de voz y atribuyen cada intervención. Al leer una llamada, se distingue la respuesta del director financiero de las instrucciones del operador a simple vista. En las rondas de preguntas, donde varios hablan a la vez, la diarización pesa más.

Un POST con el audio o el vídeo pone en marcha el trabajo, ya sea subiendo el archivo o pasando un enlace que Scribe descarga. La respuesta trae un identificador y el proceso sigue en segundo plano. Consultas el estado o esperas el callback y luego retiras el resultado en JSON o Word.

El endpoint en tiempo real acepta audio sin comprimir según se produce y devuelve texto durante la sesión. El enlace dura hasta cinco horas con una subida al doble de la velocidad real, margen de sobra para reuniones y seminarios largos. Es la vía para subtitular en directo y tomar notas.

Cuando la salida automática no basta, el servicio con revisión humana suma transcriptores profesionales que corrigen y dan formato. Tú fijas la prioridad según tu contrato, y los plazos de entrega para prioridad alta, media y baja se acuerdan de antemano. El resultado llega en un documento de Word.