Convertir diez minutos de voz grabada en texto en cuestión de segundos suena útil. Antes de aplaudir, eso sí, nos gustaría leer la transcripción.

Tether, la empresa detrás de la moneda estable USDT, ha publicado un modelo de voz a texto llamado QVAC TranscribePsy. Los desarrolladores pueden usarlo para crear aplicaciones que procesen grabaciones en el propio dispositivo, sin enviar el audio a un servidor remoto.

Quitamos las gafas inteligentes, los robots humanoides y las grandes promesas sobre privacidad, y queda esto: software que transcribe grabaciones en tu dispositivo. Evitar que tus conversaciones acaben en un servidor ajeno es una ventaja real. No nos dice nada sobre la precisión con la que se transcribirán.

La velocidad solo cuenta la mitad de la historia

Lo que importa es cuánto hay que corregir después. Una reunión real rara vez sigue un guion impecable. La gente habla entre dientes, se interrumpe y menciona nombres desconocidos. Equivocarse en una cifra puede importar más que olvidarse de diez comas.

Tether sí publica resultados de precisión. En sus pruebas, el modelo de 25 idiomas registra una tasa de error de palabras del 8,02 % en Open ASR y del 21,56 % en Common Voice. Los resultados proceden de conjuntos de datos distintos, así que no son medidas intercambiables.

Las cifras merecen atención. No nos dicen cuántas correcciones necesitará la transcripción de tu próxima reunión. No hemos probado el modelo de forma independiente. Si el texto exige muchos retoques, procesarlo más rápido solo te permite empezar antes a corregirlo.

De dónde salen esos 1,65 segundos

Tether afirma que el modelo transcribe diez minutos de audio en 1,65 segundos en un iPhone 17 Pro Max. Su documentación técnica incluye un detalle importante: esa cifra excluye los 12,7 segundos del arranque en frío, durante los que el modelo se prepara para funcionar.

Esa espera inicial no se repite con cada grabación. Los 1,65 segundos corresponden al procesamiento una vez que el modelo está listo, no a toda la espera desde que se inicia por primera vez. Además, es el resultado obtenido en un teléfono concreto, no una promesa para todos los móviles.

La transcripción en tiempo real aún no está disponible

Pese a todo lo que se habla de interacción en tiempo real, las preguntas frecuentes de la documentación técnica oficial indican que esta versión procesa una grabación o una intervención oral una vez que termina. El reconocimiento continuo sigue en desarrollo.

Las versiones disponibles para móviles admiten ocho idiomas. La versión de 25 idiomas, que incluye el ruso, es una edición aparte para computadoras y servidores. Esa lista más amplia de idiomas no se aplica a las versiones móviles disponibles.

Ahora, una conversación de verdad

Aquí hay algo que merece probarse: modelos descargables, procesamiento local, pruebas publicadas y una licencia Apache 2.0 indicada en la ficha del modelo. Los desarrolladores tienen software real con el que trabajar.

Ahora falta probar una conversación con ruido de fondo y gente que se interrumpe. Publicar la transcripción, contar las correcciones y comparar el resultado con otra herramienta que procese la misma grabación. Un programa de voz a texto se gana su sitio ahorrando trabajo. Los robots pueden esperar.