Per l'equip editorial de whispertranscribe.ai · Actualitzat: novembre de 2026 · Lectura: 12 minuts · Categoria: Conceptes bàsics de transcripció
Què és la conversió de veu a text? És programari que escolta les paraules pronunciades i les escriu com a text editable. També s'anomena conversió de parla a text o reconeixement automàtic de parla (ASR). Existeix en dues formes: en directe, quan les paraules apareixen mentre algú parla, i a partir d'un enregistrament, quan un fitxer d'àudio o vídeo acabat es converteix en una transcripció.
Un aclariment: nosaltres creem whispertranscribe.ai, un servei de transcripció al navegador. Les afirmacions sobre el funcionament de la tecnologia es basen en Google, Microsoft, Apple, el W3C o una revisió de recerca, no en la nostra publicitat.
Resposta ràpida: què és la conversió de veu a text?
La conversió de veu a text transforma automàticament la parla en text: entra l'àudio, un model de reconeixement de parla tria les paraules més probables i el programari hi afegeix puntuació.
- Altres noms: parla a text, reconeixement de parla, ASR, escriptura per veu i dictat per veu.
- Dos modes: en directe (streaming) per escriure i subtitular, i a partir de fitxers (per lots) per als enregistraments existents.
- Limitació: la precisió depèn molt de l'àudio. El soroll, la distància del micròfon, els accents marcats, la terminologia i les persones que parlen alhora augmenten els errors.
Veu a text, parla a text, dictat i transcripció
Veu a text i parla a text signifiquen el mateix. El dictat és una tasca que es pot fer amb aquesta tecnologia (parlar en un camp de text), i la transcripció n'és una altra (convertir un enregistrament en un document escrit). El «reconeixement de veu» és diferent: identifica qui parla.
La iniciativa d'accessibilitat web del W3C utilitza «reconeixement de parla» per convertir paraules en text i reserva «reconeixement de veu» o «de parlant» per a la tecnologia que identifica el parlant, no les paraules.
| Terme | Significat habitual | Resultat típic |
|---|---|---|
| Veu a text | Nom quotidià de la conversió de parla en text | Text en pantalla o en un fitxer |
| Parla a text (STT) | El mateix concepte; terme habitual a la documentació de programari | Text, sovint amb marques de temps |
| Reconeixement automàtic de parla (ASR) | Camp tècnic i model que hi ha al darrere | Seqüència de paraules més probable |
| Dictat o escriptura per veu | Parlar en un camp de text en lloc de teclejar | Text escrit on hi ha el cursor |
| Transcripció | Registre escrit d'un enregistrament o esdeveniment | Transcripció que es pot editar, cercar i exportar |
| Subtítols en directe | Text en temps real mentre sona l'àudio | Subtítols en pantalla, habitualment no desats |
| Reconeixement de veu o de parlant | Identificació de qui parla | Una etiqueta de parlant, no paraules |
Tot dictat és conversió de veu a text, però no tota conversió de veu a text és dictat. Una entrevista de 90 minuts necessita transcripció; respondre un correu sense les mans necessita dictat.
Com funciona la conversió de veu a text?
Cada sistema captura l'àudio, converteix el so en característiques numèriques, utilitza un model entrenat per trobar les paraules més probables i dona format al resultat. Durant l'última dècada ha canviat la manera de construir el model.
- Captura. Un micròfon o fitxer d'àudio proporciona un senyal digital. La documentació de Google Cloud Speech-to-Text recomana capturar a 16,000 Hz quan es pot triar. Freqüències més baixes poden perjudicar la precisió i les més altes no produeixen una diferència apreciable.
- Extracció de característiques. El senyal es divideix en fotogrames curts i es converteix en característiques, normalment un espectrograma que mostra com canvia l'energia del so entre freqüències al llarg del temps.
- Reconeixement. Un model relaciona aquestes característiques amb la seqüència de paraules més probable.
- Format. El sistema afegeix puntuació, majúscules i, de vegades, marques de temps o etiquetes de parlants.
L'enfocament clàssic: model acústic i model de llenguatge
Durant dècades el reconeixement de parla es dividia en parts separades. Una revisió de 2023 sobre reconeixement d'extrem a extrem descriu quatre components del sistema clàssic: extracció de característiques acústiques, modelatge acústic, modelatge del llenguatge i cerca de la millor resposta global.
- El model acústic estima quins sons de parla hi ha en cada fragment d'àudio. Els sistemes clàssics feien servir models ocults de Markov per gestionar diferents velocitats de parla.
- Un lèxic de pronunciació associa aquests sons a paraules.
- El model de llenguatge puntua la probabilitat de les seqüències de paraules, de manera que el sistema prefereix una expressió amb sentit a una seqüència de sons semblants sense sentit.
L'enfocament modern: models d'extrem a extrem
Els sistemes més recents són majoritàriament d'extrem a extrem: una xarxa neuronal aprèn tota la conversió d'àudio a text entrenant-se amb parla transcrita. La mateixa revisió indica que l'aprenentatge profund va reduir les taxes d'error de paraula en més d'un 50% respecte del modelatge anterior, i que els models d'extrem a extrem s'han convertit en l'enfocament principal. Whisper d'OpenAI n'és un exemple conegut; l'expliquem a la guia què és Whisper AI.
| Procés clàssic | Model d'extrem a extrem | |
|---|---|---|
| Estructura | Model acústic, lèxic de pronunciació i model de llenguatge separats | Una xarxa neuronal d'àudio a text |
| Necessitats d'entrenament | Llistes manuals de paraules i fonemes, més diverses etapes d'entrenament | Grans quantitats de parla transcrita |
| Debilitat típica | Les parts entrenades per separat poden afegir errors i cost | Necessita molta parla transcrita; és més difícil aprofitar dades només de text |
| Coneixement de la llengua | Model de llenguatge separat | Après dins la xarxa; s'hi pot afegir un model extern |
Transcripció en temps real i de fitxers: quina diferència hi ha?
La conversió de veu a text en temps real (streaming) mostra el text mentre la persona encara parla, adequada per al dictat i els subtítols en directe. La transcripció de fitxers (per lots) processa un enregistrament acabat i retorna després la transcripció completa, adequada per a entrevistes, reunions i classes.
Google Cloud Speech-to-Text té tres tipus de sol·licitud: síncrona per a àudios d'1 minut o menys, asíncrona per a fitxers de fins a 480 minuts, i streaming, que retorna resultats provisionals mentre l'usuari parla. La documentació de Microsoft Azure Speech distingeix de manera semblant entre transcripció en temps real, ràpida i per lots (totes dues fonts consultades el novembre de 2026).
| Veu a text en directe (streaming) | Transcripció de fitxers (per lots) | |
|---|---|---|
| Quan apareix el text | Mentre parles; les paraules provisionals poden canviar quan arriba més àudio | Després de processar l'enregistrament |
| Usos típics | Dictat, subtítols en directe, assistents de veu | Entrevistes, reunions, classes, pòdcasts, subtítols de vídeo |
| Què conserves | El que arriba al camp de text o a la finestra de subtítols | Una transcripció editable i exportable |
| Compromís principal | Rapidesa per sobre de l'acabat | Cal esperar, però pots tornar a processar el fitxer amb altres paràmetres |
Una regla pràctica: si ningú necessita les paraules fins més tard, grava àudio net i transcriu el fitxer. Conservaràs l'original i podràs comprovar-hi qualsevol línia.
Per a què s'utilitza la conversió de veu a text?
S'utilitza per escriure sense teclejar, convertir enregistraments en notes cercables, subtitular vídeos i fer accessibles els continguts parlats. La documentació de Microsoft també esmenta usos en centres de contacte, com l'anàlisi posterior a les trucades.
| Ús | Mode habitual |
|---|---|
| Escriure correus, missatges i esborranys amb la veu | Dictat en directe |
| Notes de reunions i entrevistes | Transcripció de fitxers o en directe per a notes ràpides |
| Notes de classes i seminaris | Enregistrament i després transcripció del fitxer |
| Subtítols de vídeo | Transcripció de fitxers amb exportació SRT o VTT |
| Notes de veu i trucades enregistrades | Transcripció de fitxers |
| Accessibilitat per a persones sordes o amb pèrdua auditiva, o que no poden utilitzar un teclat | Subtítols en directe i dictat |
La guia d'aplicacions per enregistrar classes tracta el cas de l'aula.
On trobar la conversió de veu a text al mòbil o ordinador
La majoria de dispositius ja inclouen veu a text per escriure: tecla amb el logotip de Windows + H a Windows 11, Dictation al Mac o iPhone, o el micròfon del teclat Gboard de Google a Android. Aquestes eines escriuen al camp actiu; no transcriuen enregistraments que ja tens.
| Plataforma | Funció integrada | Com iniciar-la (segons l'ajuda oficial) | Cal internet? (segons la pàgina) |
|---|---|---|---|
| Windows 11 | Escriptura per veu | Situa el cursor en un camp de text i prem la tecla del logotip de Windows + H | Sí. Microsoft diu que utilitza reconeixement en línia d'Azure Speech |
| Mac | Dictation | Activa-la a System Settings, Keyboard, Dictation. Inicia-la amb la tecla Microphone, la drecera de Dictation o Edit, Start Dictation | Depèn. La configuració del teclat mostra si el dictat general es processa al Mac |
| iPhone | Dictation | Settings, General, Keyboard, Enable Dictation. Després toca el micròfon del teclat | Sovint no. Apple diu que Dictation funciona a l'iPhone en moltes llengües sense internet |
| Android | Escriptura per veu de Gboard | En qualsevol aplicació on puguis escriure, toca el micròfon de la part superior del teclat | La pàgina de Google no ho indica |
Alguns detalls de les pàgines oficials:
- Windows: la guia d'escriptura per veu de Microsoft també descriu la puntuació automàtica opcional.
- Mac: segons la guia de Dictation al Mac d'Apple, el dictat s'atura després de 30 segons sense parlar i les paraules dubtoses es subratllen en blau, per exemple «flour» quan volies dir «flower».
- iPhone: la guia de Dictation a l'iPhone d'Apple enumera ordres de veu per a puntuació i edició.
- Android: l'ajuda de Gboard de Google indica que l'escriptura per veu no funciona en totes les llengües i que alguns passos requereixen Android 7.0 o posterior.
Els noms dels menús canvien entre versions; segueix la pàgina d'ajuda del teu dispositiu.
Quina precisió té la conversió de veu a text i quins límits presenta?
Amb àudio net d'una persona propera al micròfon, els sistemes moderns encerten la majoria de paraules. La precisió baixa amb soroll, distància, accents marcats, vocabulari especialitzat i parlants superposats. No hi ha una xifra universal: l'enregistrament importa tant com el programari.
La mesura estàndard és la taxa d'error de paraules (WER), que compta les paraules canviades, omeses o afegides i les divideix pel nombre de paraules d'una transcripció revisada per una persona. El nostre article sobre la precisió de Whisper mostra com varia la WER entre audiollibres nets i reunions enregistrades amb micròfons llunyans.
| Limitació | Per què passa | Què ajuda |
|---|---|---|
| Accents i dialectes | Alguns accents apareixen molt menys a les dades d'entrenament | Tria la variant regional correcta i prova un clip curt |
| Soroll de fons i distància | El soroll i l'eco difuminen el senyal de parla | Acosta't al micròfon, utilitza una sala tranquil·la o uns auriculars amb micròfon |
| Terminologia, noms i paraules rares | Els models afavoreixen paraules habituals | Llistes personalitzades de paraules (Microsoft les anomena llistes de frases) o revisió de noms i xifres |
| Diversos parlants i superposició | És difícil separar veus superposades; etiquetar parlants és una tasca separada, la diarització | Que parli una persona cada vegada; revisa les etiquetes |
| Àudio telefònic o de baixa qualitat | Google indica que la majoria d'àudio telefònic antic és de 8,000 Hz, cosa que pot reduir la precisió | Enregistra amb més qualitat; augmentar la freqüència de mostreig no arregla l'àudio antic |
| Paraules que sonen igual | «Flour» i «flower» sonen igual en anglès | Rellegeix el text abans d'enviar-lo |
Dos hàbits detecten la majoria d'errors: comprova cada nom, xifra i terme tècnic amb l'àudio i considera els subtítols en directe una guia, no un registre.
Veu a text per a l'accessibilitat
La conversió ajuda en dues direccions. El dictat permet escriure parlant; el W3C inclou entre les persones que en depenen les que tenen discapacitats físiques, lesions per esforços repetitius i discapacitats cognitives o d'aprenentatge. Els subtítols i les transcripcions permeten que les persones sordes o amb pèrdua auditiva segueixin l'àudio.
La pàgina sobre discapacitats auditives del W3C indica que el contingut d'àudio necessita alternatives com transcripcions i subtítols. També adverteix que els subtítols automàtics solen ser massa imprecisos per ser una alternativa fiable perquè ometen termes especialitzats i ajunten frases. Cal revisar-los i corregir-los abans de publicar. La guia de subtítols i subtítols accessibles explica els dos formats.
Els mòbils també tenen eines en directe. Live Captions d'Apple (iPhone 11 o posterior) transcriu l'àudio d'aplicacions o de l'entorn en temps real; Apple diu que no s'hi ha de confiar en situacions d'alt risc o emergència. Live Transcribe de Google a Android mostra la parla i els sons com a text i necessita internet, tret que utilitzis una llengua fora de línia.
Com triar una eina de veu a text: 5 criteris
Comença pel resultat que necessites. Per a un missatge ràpid n'hi ha prou amb el dictat integrat. Per a un enregistrament llarg, avalua les eines amb aquests cinc punts.
- En directe o enregistrat? Escriure amb la veu necessita dictat dins de les aplicacions. Els enregistraments existents necessiten una eina que accepti fitxers i, potser, enllaços.
- Suport de llengua i accent. Comprova que la llengua i la variant regional apareixen al mode que utilitzaràs; els modes en directe i de fitxers no sempre coincideixen.
- On va l'àudio. Algunes eines processen la parla al dispositiu i altres l'envien a un servidor. Llegeix la política de privadesa abans de pujar enregistraments sensibles i obtén els consentiments necessaris i el permís de l'organitzador abans de gravar altres persones.
- Què obtens. Busca etiquetes de parlants, marques de temps, un editor i exportacions com DOCX, TXT, SRT o VTT.
- Límits de durada i cost. Comprova el fitxer més llarg, la mida màxima de pujada i com augmenta el preu segons les hores d'àudio.
Si el pressupost és prioritari, el nostre recull del millor programari gratuït de transcripció compara les opcions gratuïtes.
On encaixa whispertranscribe.ai
whispertranscribe.ai és un servei al navegador per convertir enregistraments en text, amb transcripció en directe del micròfon. No és una eina de dictat: no escriu en altres aplicacions i no té aplicació d'escriptori. Segons les nostres pàgines de producte:
- Puja enregistraments. Utilitza veu a text en línia per a fitxers d'àudio i vídeo com MP3, WAV, M4A, MP4 i MOV, de fins a 5GB i 10 hores. La transcripció de fitxers cobreix més de 130 llengües, amb detecció opcional de parlants.
- Transcriu des d'un enllaç. Enganxa un enllaç de YouTube, Vimeo, Google Drive o Dropbox a Transcriu des d'un URL.
- Enregistra al navegador. Enregistra i transcriu la veu sense instal·lar res, o puja notes de veu.
- Transcripció en directe. La pàgina de transcripció en directe enregistra el micròfon i mostra la parla com a text en temps real. Tries la llengua i el micròfon, i pots activar la detecció de parlants. La llista de llengües és més curta que per a les pujades.
- Exportacions. DOCX, PDF, SRT, VTT, TXT i CSV; el generador de subtítols amb IA crea fitxers de subtítols. També funciona amb trucades enregistrades: consulta transcripció de trucades telefòniques.
La precisió arriba fins al 99% amb àudio net; el soroll de fons, els accents marcats i la superposició de veus la redueixen. Els plans de pagament comencen a $9.99 al mes amb facturació anual (preus), i pots començar gratis sense compte. La llista completa és a la pàgina de funcions.
Preguntes freqüents
És el mateix veu a text que parla a text?
Sí. Els dos noms descriuen la mateixa tecnologia: programari que escolta la parla i en produeix text editable. «Parla a text» és més habitual a la documentació per a desenvolupadors de Google i Microsoft, mentre que «veu a text» és el que moltes persones cerquen. Tots dos es basen en el reconeixement automàtic de parla. El terme que cal distingir és «reconeixement de veu», que el W3C utilitza per identificar qui parla, no què diu.
És el mateix veu a text que dictat?
No exactament. El dictat és un ús de la conversió de veu a text: parles en un camp i les paraules apareixen on hi ha el cursor, com amb l'escriptura per veu de Windows o Apple Dictation. Veu a text també inclou la transcripció, en què un enregistrament complet, com una entrevista, classe o reunió, es converteix en text editable. Per escriure text nou, utilitza el dictat. Si ja tens àudio i en necessites un registre escrit, utilitza una eina de transcripció.
Cal connexió a internet?
Depèn de l'eina. Microsoft diu que l'escriptura per veu de Windows necessita internet perquè utilitza reconeixement en línia. Apple diu que el dictat de l'iPhone es processa al dispositiu en moltes llengües sense internet, i que la configuració del teclat del Mac mostra si el dictat es processa al Mac. Live Transcribe de Google necessita internet tret que utilitzis una llengua fora de línia. Els serveis de transcripció al núvol, inclosos els del navegador, necessiten connexió per pujar i processar l'àudio.
És gratuïta la conversió de veu a text?
La funció bàsica és gratuïta a la majoria de dispositius. Windows, macOS, iOS i Android inclouen escriptura per veu o dictat sense cost addicional, encara que el suport de llengües varia. La transcripció d'enregistraments llargs és on solen començar els costos: molts serveis ofereixen una prova o un nivell gratuït i després cobren per hores d'àudio o subscripció. Abans de pagar, comprova el fitxer més llarg i la mida màxima permesa, les llengües admeses i els formats d'exportació del pla.
Quina precisió té la conversió de veu a text?
Amb àudio net d'un sol parlant proper al micròfon, els sistemes moderns encerten la majoria de paraules, però no hi ha una precisió universal. Els errors augmenten amb soroll de fons, eco, distància, accents marcats, vocabulari tècnic i veus superposades. La mesura habitual és la taxa d'error de paraules, que compta les paraules canviades, omeses i afegides. Comprova sempre noms, xifres i termes especialitzats amb l'àudio abans de confiar en una transcripció.
Pot la conversió de veu a text saber qui parla?
Algunes eines poden. Etiquetar qui ha parlat i quan és un pas independent anomenat diarització de parlants, que no totes les eines inclouen. El dictat integrat pressuposa un sol parlant: tu. Els serveis de transcripció sovint afegeixen etiquetes; Azure Speech de Microsoft, per exemple, documenta diarització de fins a 35 parlants. Les etiquetes funcionen millor quan les veus són diferents i les persones no parlen alhora; revisa-les si les veus s'assemblen o se superposen.
Tens un enregistrament per convertir en text? Puja'l a whispertranscribe.ai i obtén una transcripció en més de 130 llengües, amb exportació DOCX, PDF, SRT i VTT.
Referències
- Google Cloud: Visió general de Cloud Speech-to-Text (consultat el novembre de 2026)
- Microsoft Learn: Què és parla a text? (Azure Speech) (consultat el novembre de 2026)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe: Reconeixement de parla d'extrem a extrem: una revisió (arXiv 2303.03329)
- W3C WAI: Reconeixement de parla i Discapacitats auditives
- Microsoft Support: Utilitza l'escriptura per veu a l'ordinador
- Apple Support: Dicta missatges i documents al Mac i Dicta text a l'iPhone
- Google: Ajuda de Gboard, escriure amb la veu
