Transcribir entrevistas en español con IA: cómo evaluar la precisión antes de confiar en el texto

Las cifras de precisión que publican los servicios suelen medirse con audio limpio y un solo hablante. Una entrevista de campo grabada con un móvil sobre una mesa es otra cosa. Un sistema que acierta casi todo en un pódcast puede fallar con frecuencia en una sala con eco.

Además, no todos los errores pesan igual. Confundir «haya» con «halla» es molesto; cambiar un «no» por un «sí» o atribuir una frase a la persona equivocada puede invalidar un análisis o una cita publicada.

Separación de hablantes: la capacidad de distinguir quién habla en cada momento. Es la función que más ahorra tiempo y la que más falla con voces parecidas o interrupciones.

Variantes del español y lenguas cooficiales: comprueba el rendimiento con los acentos concretos de tus entrevistados y con los cambios de idioma si los hay. Algunas herramientas permiten fijar el idioma; otras lo detectan automáticamente y a veces se equivocan a mitad de la grabación.

Robustez al ruido, nombres propios y términos técnicos, y marcas de tiempo fiables para volver al audio cuando dudas. Este último criterio parece menor, pero es el que permite revisar rápido.

Elige tres fragmentos de cinco minutos: uno limpio, uno con ruido y uno con varios hablantes o cambio de idioma. Transcríbelos tú a mano una vez; será tu referencia. Después pásalos por las herramientas que estés valorando.

Cuenta errores de tres tipos: palabras que cambian el sentido, frases atribuidas a otra persona y nombres propios mal escritos. Ignora las comas. Esa tabla sencilla dice más que cualquier reseña.

Mide también el tiempo de revisión: cuántos minutos necesitas para dejar cada transcripción lista. Esa es la cifra que se traduce en coste real.

Los servicios como Notta, HappyScribe o los asistentes de reuniones del tipo tl;dv ofrecen interfaz cómoda, separación de hablantes y exportación directa. Son la opción natural cuando las grabaciones no son especialmente sensibles y el equipo necesita colaborar sobre el texto.

Whisper, el modelo de OpenAI, puede ejecutarse en un ordenador propio. En una instalación realmente local permite procesar grabaciones sin subirlas a un servicio de transcripción; su calidad debe probarse con el audio concreto, algo relevante en investigación con datos personales. A cambio, la separación de hablantes requiere herramientas adicionales y algo de configuración.

Si las entrevistas incluyen datos de salud, menores o información confidencial, revisa el consentimiento informado y el plan de gestión de datos antes de elegir un servicio externo.

Para una selección de citas, puedes concentrar la revisión en los pasajes que vayas a utilizar. Si necesitas una transcripción íntegra validada, sí tendrás que contrastar el audio completo. Revisa con atención los fragmentos que vas a citar o analizar, los pasajes donde la herramienta marca baja confianza y los cambios de hablante.

Para citas textuales publicadas, la regla debería ser innegociable: comprobar contra el audio. La IA acelera el trabajo; la responsabilidad sobre lo que se publica sigue siendo de quien firma.

Crea una hoja con una fila por fragmento de audio y columnas para herramienta, duración, tiempo de procesamiento, tiempo de revisión, errores de sentido, errores de hablante y fallos en nombres propios. Añade una columna de observaciones: eco, interrupciones, distancia al micrófono o cambio de idioma. Así sabrás si un fallo procede del tipo de grabación y no solo del producto.

En la referencia manual, marca los pasajes realmente ininteligibles como tales. No inventes una palabra para poder puntuar a la máquina. Una herramienta que reconoce una laguna puede ser preferible a otra que completa una frase convincente. Los sistemas de reconocimiento pueden generar texto no pronunciado, especialmente en condiciones difíciles; revisa silencios largos y transiciones con atención.

No conviertas todas las diferencias en un único porcentaje. Para investigación cualitativa puede ser crucial quién sostiene una opinión; para un archivo de consulta quizá pese más recuperar nombres y marcas de tiempo. Fija el criterio según el uso posterior, y aplica el mismo a todas las herramientas. El ganador de una grabación limpia puede no ser el adecuado para trabajo de campo.

Mide el tiempo de trabajo humano con un procedimiento constante. Si revisas una herramienta escuchando el audio completo y otra mirando solo los errores evidentes, la comparación sale sesgada. Registra también si puedes corregir un nombre una sola vez y propagarlo, buscar dentro del texto y exportar marcas de tiempo sin perder la identificación de hablantes.

Acuerda primero qué significa transcribir. Una versión literal conserva repeticiones, vacilaciones y expresiones incompletas; una versión editada facilita la lectura, pero puede borrar matices. Guarda ambas por separado si el análisis depende de cómo se dijo algo. Una petición de «limpiar el texto» no debe transformar una duda en una afirmación firme ni eliminar una negación.

La separación automática de hablantes asigna etiquetas, no identidades verificadas. Confirma al principio qué voz corresponde a cada persona y vuelve a comprobar tras pausas e interrupciones. Si una cita es importante, conserva su intervalo de tiempo y escucha unos segundos antes y después: el contexto puede cambiar el sentido aunque las palabras estén bien reconocidas.

Con grabaciones sensibles, comprueba autorización, condiciones del proveedor, conservación y acceso al resultado. Una instalación local de Whisper puede evitar subir el audio, pero la interfaz o los pasos posteriores podrían enviar el texto a otro servicio. Separa la decisión de transcribir de la decisión de resumir con otro modelo: son tratamientos distintos que hay que evaluar.

El coste de elección no es solo la cuota. Para entrevistas largas, calcula lo que pagas por procesar y las horas necesarias para dejar el material utilizable. Una transcripción más barata que duplica la revisión puede resultar menos conveniente. No hay una cifra universal: la prueba con tus grabaciones es la que convierte esta comparación en una decisión defendible.