Confianza en la entrada de voz: transcripción cruda o pulida, texto definitivo

Tu usuario está hablando y el campo ya muestra una frase que parece definitiva. Esa frase aún puede cambiar. Una entrada de voz fiable hace explícito el contrato de transcripción: nombra el modo, estiliza el texto intermedio e indica cuándo el texto es autoritativo.

El modo es una promesa, no un ajuste

El modo verbatim promete las palabras tal como fueron dichas. El modo inteligente o pulido promete una versión más limpia, por lo que puede eliminar muletillas, corregir autocorrecciones y normalizar la redacción. Para una nota rápida, el texto pulido puede ser útil. Para un registro legal, una queja de un cliente o una nota clínica, el usuario necesita saber si la redacción fue editada.

Google lanzó Gemini 3.5 Transcribe, describiéndolo como su modelo de voz a texto más preciso. El modelo se describe como un modelo de entrada de voz pulido que funciona mientras una persona está hablando. Puede resolver autocorrecciones y eliminar muletillas como «um» y «aj». La salida pulida puede alterar la redacción de lo que un hablante dijo, por lo que puede no encajar en todos los contextos de entrada de voz.

El modo cambia qué funciones dependientes tienen sentido. Gemini 3.5 Transcribe admite diarización de hablantes, marcas de tiempo a nivel de palabra y transcripción inteligente. Si un usuario pide palabras exactas, un modo pulido que edita autocorrecciones puede contradecir esa promesa. Desactiva las opciones incompatibles o explica el compromiso antes de que el usuario grabe. Gemini 3.5 Transcribe acepta hasta una hora de audio por solicitud, pero el límite baja a 30 minutos si se activan la diarización de hablantes o las marcas de tiempo a nivel de palabra.

El texto intermedio debe parecer provisional

La transcripción en tiempo real es una secuencia de suposiciones; el modelo puede cambiar una palabra después de que aparece. Si la interfaz trata cada hipótesis intermedia como texto definitivo, los usuarios copiarán, reenviarán o actuarán sobre una versión que nunca fue final. El texto intermedio necesita un aspecto provisional y el texto definitivo necesita una señal de confirmación clara.

Artificial Analysis midió una mejora del 70 por ciento en el tiempo hasta la transcripción final para Gemini 3.5 Transcribe. La ganancia de velocidad no es una garantía de precisión. En el benchmark FLEURS, Gemini 3.5 Transcribe logró una tasa de error de palabras del 5,50 por ciento en modo de streaming y una tasa de error de palabras del 5,04 por ciento en casos de uso no en streaming.

Una tasa de error de palabras baja aún significa que algunas palabras estarán mal. Usa la señal de confirmación final para indicar a los usuarios cuándo el modelo ha dejado de revisar ese segmento. Una marca de verificación, un borde, una marca de tiempo o un estado bloqueado pueden cumplir esa función. Haz que la señal sea visible sin pasar el cursor, porque el usuario puede estar hablando, no mirando la pantalla.

La lista de verificación es el rediseño

Usa esta lista al revisar una función de entrada de voz o de texto con IA. Cada elemento es verificable en un minuto y cada uno protege una parte diferente del contrato de confianza.

• Etiqueta el modo. Indica si la transcripción es verbatim o inteligente/pulida y haz que la elección sea visible antes de grabar.
• Desactiva funciones incompatibles. Si el modo pulido edita autocorrecciones, no lo ofrezcas en silencio para usos de palabra exacta.
• Estiliza el texto intermedio como provisional. Usa menor opacidad, un borde discontinuo o una etiqueta de borrador mientras el modelo aún pueda cambiarlo.
• Muestra la confirmación final. Cuando un segmento esté definitivo, da una señal visual clara de que no será reescrito.
• Indica el propósito. Dile a los usuarios para qué es el texto: una nota rápida, un registro buscable o una captura formal.
• Indica la autoridad. Dile cuándo la transcripción se vuelve autoritativa y si el usuario puede bloquearla o exportarla.
• Ofrece una alternativa cruda. Para usos de alto riesgo, proporciona una ruta verbatim o una forma de ver el resultado sin editar.
• Registra el contrato. Anota qué modo se usó y cuándo el texto se volvió final, para que la salida pueda explicarse después.

Cuando la transcripción puede usarse como evidencia, el contrato se vuelve legal además de de producto. La Regla Federal de Evidencia 901 establece un requisito de autenticación umbral: la parte que presenta un elemento debe mostrar evidencia suficiente para que un tribunal de hecho acepte que el elemento es lo que se afirma que es. Duncan Levin, exfiscal federal y profesor de la Harvard Law School, argumenta que la IA puede modificar o fabricar evidencia de forma sutil. Levin argumenta que el reconocimiento de una voz por un testigo solo demuestra familiaridad con esa voz, no que la grabación sea una captura auténtica de una conversación real y no una simulación sintética. Una transcripción pulida que cambia la redacción necesita una pista de auditoría clara. Haz que esa pista sea visible en el producto, no solo en los registros del backend.