Arquitectura de un sistema de voz on-premise

Autorizar y delimitar el audio

Acordar finalidad, base aplicable, acceso y tiempo de conservación con las personas responsables. Proteger los ficheros temporales y definir qué se elimina.

Separar etapas observables

Ingesta, detección de voz, transcripción, atribución de hablantes y resumen fallan de maneras diferentes. Mantén salidas intermedias sólo si son necesarias y permitidas.

Evaluar con idioma, ruido y errores

Prueba acentos, solapamientos, nombres propios y condiciones de audio previstas. Una transcripción equivocada puede contaminar resúmenes y acciones; conserva revisión humana donde importe.

Una evaluación reproducible

Con audio autorizado, prepara fragmentos con hablantes, idiomas y condiciones que representen el uso previsto. Crea una transcripción de referencia revisada por personas y compara errores relevantes para la tarea, no sólo una cifra global. Un nombre propio mal escrito puede importar más que varias muletillas omitidas.

Prueba también cambios de hablante, silencios y solapamientos. Si el sistema resume reuniones, evalúa el resumen frente a la transcripción corregida y frente al audio cuando haga falta. Conserva separados el error de reconocimiento, el de diarización y la inferencia que añade el resumen.

Dibujar las etapas y sus datos

Un flujo acotado puede incluir ingesta, validación de formato, detección de voz, transcripción, atribución de hablantes, alineación temporal, revisión y resumen. Decide qué etapas necesita realmente la tarea. Registra entrada y salida de cada una, dónde se ejecuta, quién puede leerla y cuándo se retiran los ficheros intermedios. Procesar en equipo propio no concede por sí solo permiso para grabar ni conservar una conversación.

Durante la ingesta, conserva el original el tiempo autorizado para comprobarlo y aplica una conversión repetible; registra frecuencia de muestreo, canales y filtros. La conversión puede afectar al reconocimiento: no compares dos ejecuciones sin anotarla. La detección de voz puede evitar procesar silencios, pero cortar una intervención suave. La diarización puede atribuir mal voces solapadas; una transcripción correcta también puede quedar asociada a otra persona. Son fallos distintos.

Definir qué salida resulta útil

Prepara ejemplos autorizados con idiomas, acentos, micrófonos, ruido, jerga, nombres, interrupciones y solapamientos esperados. Usa una referencia corregida por personas y registra errores que afectan al trabajo, como una negación, cantidad, persona o acuerdo. Una única cifra de error por palabras puede ocultar fallos importantes. Mide latencia y recursos con duración y concurrencia realistas si se utilizará en directo.

Si después se generan resumen o tareas, compara sus afirmaciones con el texto corregido y, para pasajes discutidos, con la grabación. Señala atribución dudosa e inferencias sin respaldo para revisión humana. Un resumen automático no debe convertirse silenciosamente en acta ni orden para otro sistema.

Preparar acceso, conservación y recuperación

Separa permisos para audio original, texto intermedio, transcripción final y resumen. Decide si temporales, registros, copias y exportaciones siguen la misma regla de borrado. Prueba una eliminación y un intento de acceso con rol restringido, en lugar de confiar sólo en un diagrama. Documenta cómo corrige un operador una transcripción, vuelve a procesar una grabación y revierte un cambio de modelo. La página de consultoría de voz explica el servicio; el checklist de preparación ayuda a acotar el primer flujo permitido.