TL;DR: Ejecuté el reconocimiento de voz de GeekLink (basado en Whisper, con Marcas de Tiempo Precisas y Segmentación Inteligente por IA activadas) en una sola charla TED, y luego comparé las 325 líneas de la transcripción oficial de TED con lo que produjo GeekLink. 198 líneas coincidieron casi de inmediato. 106 no eran directamente comparables por motivos estructurales: los editores de TED fusionan o dividen frases de otra manera, marcan (Risas)/(Aplausos) donde no hay diálogo, y hay un tramo de unos 9 segundos solo con música sin ningún subtítulo oficial. De las líneas que sí tenían una correspondencia directa, 21 (alrededor de 1 de cada 16) fueron marcadas por una brecha de tiempo mayor o una diferencia de redacción que merecía una segunda mirada, y solo 5 de esas eran lo bastante serias como para marcarlas en rojo. Esta es una sola prueba en un solo vídeo, no un benchmark, pero los números y ejemplos reales están más abajo.
Por qué hice esta prueba
«Los subtítulos de IA tienen un 90% de precisión» se repite mucho, pero nunca se dice precisión ¿en qué? El tiempo, la redacción, la puntuación y los cortes de línea son fallos de tipos distintos, y una herramienta puede ser excelente en uno y floja en otro. Quería ver, en un vídeo real, dónde aparece exactamente esa brecha.
Las charlas de TED son un buen caso de prueba porque TED publica sus propios subtítulos oficiales, editados por humanos, para cada charla. Eso me da una clave de respuestas real con la que comparar, en lugar de solo juzgar a ojo si una transcripción «se ve bien».
Cómo configuré la prueba
Importé una charla TED a GeekLink, le indiqué que todavía no había subtítulos (solo audio), y activé Marcas de Tiempo Precisas y Segmentación Inteligente por IA antes de ejecutar el reconocimiento de voz con el modelo Whisper Large.
El reconocimiento fue transmitiendo resultados a medida que avanzaba: pude abrir una vista en vivo y ver cómo aparecían las líneas con sus marcas de tiempo antes incluso de que terminara el proceso.
Después del reconocimiento, GeekLink ejecutó un paso adicional de alineación de línea de tiempo: es el paso de Marcas de Tiempo Precisas, que vuelve a sincronizar cada línea con el audio real en lugar de confiar en las estimaciones en bruto de Whisper. Vale la pena señalarlo con honestidad: la charla tenía un tramo corto solo de música, y Whisper —como cualquier modelo de voz— no maneja bien la música, así que esa sección necesitó una revisión manual en lugar de confiar en el resultado automático.
Cómo comparé el resultado con los subtítulos oficiales de TED
Una vez terminados el reconocimiento y la alineación, ejecuté un pequeño script de comparación que escribí para esto: alinea la transcripción oficial de TED con el resultado de GeekLink línea por línea, calcula el desfase de tiempo de cada coincidencia y marca cualquier caso con una brecha mayor o una diferencia de redacción para revisarlo manualmente. No es una función de la app, es un script, y su resultado no es algo que GeekLink te muestre en el día a día. Abajo muestro el resultado real, no un resumen: desplázate por la tabla para ver cada línea.
Cuáles fueron realmente las diferencias
De las 325 líneas de la transcripción oficial de TED, 198 coincidieron con una línea de GeekLink en casi la misma marca de tiempo. Otras 106 no eran directamente comparables línea por línea: los editores de TED fusionan o dividen frases de forma distinta a como lo hizo GeekLink, marcan (Risas) y (Aplausos) donde no hay diálogo que transcribir, y hay un único tramo de unos 9 segundos de música pura sin ningún subtítulo oficial. De las líneas que sí tenían una correspondencia directa, 21 —alrededor de 1 de cada 16— fueron marcadas por una brecha de tiempo mayor o una diferencia de redacción, y solo 5 de ellas se marcaron como más serias. Esto es lo que realmente eran esas diferencias:
- Elecciones de palabras, en ambas direcciones. La transcripción oficial de TED dice "my normal work flow was not an option"; GeekLink lo reconoció como "workflow", una sola palabra. En otra línea, la transcripción de TED dice "that would happen every single paper", y GeekLink añadió "to" ("happen to every single paper"), que se lee como la versión gramaticalmente más completa de la frase. Las transcripciones oficiales tampoco son automáticamente la verdad absoluta en cada palabra.
- Un conector añadido. En una línea, el texto oficial de TED dice "everything gets done, things stay civil"; GeekLink reconoció "everything gets done and things stay civil". Mismo significado, una palabra de más: podría ser una palabra real que los editores de TED recortaron, o podría ser el reconocimiento añadiendo un conector que suena natural. Solo con la transcripción no puedo distinguir cuál de las dos.
- Una diferencia de segmentación real. En un punto, los subtítulos de TED presentan "Now, of course, I said yes." / "It's always been a dream of mine to have done a TED Talk in the past." como dos líneas normales. GeekLink dividió el mismo audio de otra forma, dándole formato de cita directa: "Now, of course, I said, 'Yes, it's always been a dream of mine'" / "'to have done a TED Talk in the past.'" Mismas palabras, mismo significado: la Segmentación Inteligente por IA de GeekLink simplemente puso el corte de línea en otro lugar y lo trató como una cita textual.
Por qué la sincronización fue tan precisa
Los modelos de reconocimiento de voz como Whisper predicen las marcas de tiempo en lugar de medirlas: la mejor estimación del modelo sobre cuándo empieza una palabra tiende a desviarse, sobre todo en una charla larga, así que el resultado en bruto suele quedar un instante antes o después de lo correcto. Esa es la causa real de la mayoría de las quejas de «el subtítulo aparece antes de que lo digan» que la gente tiene con los subtítulos generados por IA.
Marcas de Tiempo Precisas existe precisamente para corregir esa desviación: vuelve a alinear cada línea con la forma de onda real del audio después del reconocimiento, en lugar de confiar en la primera estimación del modelo. Ese es el paso que se muestra en la captura de pantalla anterior, y es la razón por la que la sincronización se mantuvo tan bien en esta prueba.
Qué significa esto para el tiempo de revisión
Un vídeo no es un benchmark, y no voy a fingir que lo es. Pero coincide con lo que motivó GeekLink desde el principio: en esta charla, de 325 líneas solo 21 —alrededor de 1 de cada 16— merecían una segunda mirada. Si hubiera vuelto a leer y a sincronizar manualmente cada línea, como esperan muchos flujos de trabajo de subtítulos, habría pasado casi todo ese tiempo revisando de nuevo un trabajo que ya estaba correcto.
Esa es la idea completa detrás de marcar las líneas que vale la pena revisar en lugar de releer toda la transcripción: la mayor parte no necesita tu atención. Las partes que sí la necesitan suelen ser fáciles de detectar si algo te las señala.
FAQ
¿Los subtítulos generados por IA son lo bastante precisos como para usarlos sin ninguna revisión?
No sin ninguna revisión, pero están más cerca de lo que sugiere el «90% de precisión». En esta prueba, al comparar 325 líneas con una transcripción oficial editada por humanos, solo 21 (alrededor de 1 de cada 16) fueron marcadas por una brecha de tiempo o una diferencia de redacción que merecía una segunda mirada, y solo 5 de ellas eran serias. Todavía vale la pena hacer una pasada rápida por las líneas marcadas, pero releer cada línea desde cero por lo general no es necesario.
¿Cuál es la diferencia entre los errores de sincronización y los errores de redacción en los subtítulos de IA?
Los errores de sincronización vienen de que el modelo predice cuándo empieza una palabra en lugar de medirlo con precisión, así que los subtítulos pueden quedar un instante antes o después de lo correcto. Los errores de redacción vienen de un error real de reconocimiento del audio. En esta prueba, la sincronización se corrigió con un paso de alineación forzada, y las diferencias de redacción que aparecieron fueron cosas como una palabra dividida de otra forma ("workflow" frente a "work flow") o un conector añadido, no palabras mal escuchadas.
¿GeekLink admite una sincronización de subtítulos precisa?
Sí. La opción Marcas de Tiempo Precisas de GeekLink vuelve a alinear cada línea de subtítulos con el audio real después del reconocimiento de voz, corrigiendo la desviación de sincronización que suele producir la transcripción de IA en bruto.
¿El reconocimiento de voz por IA maneja bien la música de fondo?
No de forma confiable. Whisper y los modelos de voz similares están diseñados para reconocer habla, no para separarla de la música, así que las secciones con música sonando bajo el diálogo merecen una revisión manual en lugar de confiar en el resultado automático.
¿Cómo puedo comprobar yo mismo la precisión de los subtítulos de IA?
Busca un vídeo con una transcripción oficial o de otro modo confiable, ejecuta el reconocimiento de voz de tu herramienta sobre él, y luego compara las dos línea por línea, revisando el desfase de tiempo y la redacción por separado, porque fallan de formas distintas. Ese es exactamente el proceso usado en esta prueba.
Aviso: GeekLink es nuestro propio producto. Esta es una sola prueba manual sobre un solo vídeo, no un estudio controlado: tómala como una mirada a dónde están realmente las brechas, no como una afirmación estadística de precisión.