Voz
La voz deja que hables con una app o un agente, como con una persona. Son dos capacidades, una de ida y otra de vuelta:
👂 ReconocimientoLa IA "escucha": convierte lo que alguien dice en texto (voz a texto). Así se transcriben llamadas y se hace la minuta de una junta.
🗣️ SíntesisLa IA "habla": convierte un texto en voz que se escucha (texto a voz). Así te dice el GPS «gire a la derecha».
Un asistente que escucha tu pregunta y te contesta hablando usa las dos: haces la pregunta en voz alta, la app convierte tu voz en texto, el modelo genera la respuesta en texto y la app la lee con una voz.
Escenarios comunes: agentes de voz, minutas automáticas de juntas, audiodescripción de videos y traducción de voz (hablas en español y la app lo dice en inglés). Los retos reales: ignorar el ruido de fondo, darse cuenta cuando alguien interrumpe y sonar cada vez más natural.
La transcripción puede ser en tiempo real: el texto sale mientras alguien habla, como los subtítulos en vivo de una presentación; o por lotes: mandas grabaciones ya guardadas (todas las llamadas del mes) y el servicio las procesa cuando tiene lugar. No sabes la hora exacta en que empieza, pero tampoco tienes que esperar en línea.
En Foundry, la herramienta especializada es Azure Speech in Foundry Tools (convierte voz en texto y texto en una voz natural). También hay modelos multimodales que entienden el audio directamente; aunque lo haga uno de ellos, la carga de trabajo sigue siendo voz.
