Dictado por voz con IA: cómo aprende su vocabulario profesional

Usted dicta «cirugía de hallux valgus mediante osteotomía de Scarf». En la pantalla aparece «cirugía de Puralux valgus». El problema no es su micrófono ni su dicción: es la manera en que el reconocimiento de voz elige las palabras.

Los modelos de transcripción se entrenan con cantidades ingentes de habla cotidiana, en la que los términos de su profesión son escasos. Cuando el sonido es ambiguo, el modelo elige la secuencia de palabras más probable según su experiencia, no según la de usted. Por eso un dictado por voz profesional tiene que hacer algo más que transcribir: debe conocer su vocabulario, corregir sin traicionar lo dicho y recordar lo que usted le enseña. Así funciona, capa por capa.

1. 1Su vozDictado en directo o archivo importado
2. 2TranscripciónVoxtral, de Mistral AI
3. 3CorrecciónCon su vocabulario y sus correcciones anteriores
4. 4Control de fidelidadSi hay demasiados cambios, se conserva el texto reconocido
5. 5Su textoUsted lo revisa; sus retoques alimentan la memoria

Paso 1: convertir la voz en texto

La primera capa es el reconocimiento de voz, o speech-to-text: la transcripción de audio a texto. TechVoice utiliza Voxtral, la familia de modelos de Mistral AI, de dos maneras:

• en directo, el audio se envía en pequeños fragmentos y el texto aparece mientras usted habla;
• al importar, el modelo recibe la grabación completa y dispone de todo el contexto antes de escribir.

El segundo modo se equivoca menos. En nuestro corpus de prueba, formado por dictados en francés, el texto sin corregir contenía un 25,2 % de errores en los términos técnicos en directo, frente a un 9,6 % al importar, con los modelos Voxtral de última generación. Escuchar hasta el final ayuda a resolver las ambigüedades.

Algunas API permiten indicar al modelo una lista de términos que debe favorecer: es el context biasing. La de Voxtral lo admite, con limitaciones: 100 términos como máximo, sin espacios dentro de un término, y un funcionamiento que Mistral califica de experimental en idiomas distintos del inglés. En nuestros dictados en francés, esa lista no aportaba nada una vez hecha la corrección, e incluso empeoraba el dictado en directo. El vocabulario tiene que actuar, por tanto, en otro punto.

Paso 2: corregir sin reescribir

Una vez terminada la transcripción, un modelo de lenguaje relee la transcripción en bruto apoyándose en dos datos: su vocabulario y sus correcciones anteriores. Sabe que «Phalux valgus», en un informe de cirugía del pie, es casi con toda seguridad «hallux valgus». En nuestro banco de pruebas, este paso reduce el error en los términos técnicos de alrededor del 25 % a alrededor del 5 % en el dictado en directo.

El riesgo es conocido: cuando se le pide a un modelo de lenguaje que corrija, le gusta mejorar. Pule una frase, la completa, la reorganiza. En un correo electrónico, es un favor; en un informe médico o jurídico, es un peligro. Basta con desplazar una negación para invertir el sentido: «sin embolia pulmonar» no tiene nada que ver con «embolia pulmonar».

Por eso TechVoice aplica dos salvaguardas:

1. Instrucciones estrictas. El modelo solo corrige los errores de reconocimiento. No añade, elimina ni reformula ninguna información, y prefiere dejar tal cual un pasaje ambiguo antes que inventar.
2. Un control mecánico. Tras la corrección, un programa compara el texto corregido con el texto reconocido, palabra por palabra y en orden. Si la proporción de palabras modificadas supera un umbral, la corrección se descarta y usted recibe la transcripción sin corregir. Comparar en orden es esencial: un simple recuento de palabras no detectaría que una negación ha cambiado de sitio.

Es un principio asumido: más vale un texto en bruto que un texto fluido pero poco fiel. Y cada corrección sigue siendo visible: basta un clic para ver qué ha cambiado.

Paso 3: una memoria que le pertenece

La calidad de la corrección depende de lo que el modelo sabe de su profesión. TechVoice construye ese conocimiento a partir de tres fuentes, de la más general a la más personal.

Su especialidad. Al registrarse, usted indica su ámbito. TechVoice busca entonces los términos de esa especialidad en la literatura científica del repositorio abierto HAL, en el idioma en que usted dicta. Es una base útil desde el primer dictado, sin pedirle nada, pero sigue siendo genérica.

Sus documentos. Suba algunos informes, cartas o fichas tipo (PDF o Word): TechVoice extrae de ellos los términos y después olvida el texto. Es la mejor fuente para empezar. En nuestras mediciones, 309 términos extraídos de la web de un cirujano dieron mejores resultados que 3.753 términos extraídos de la literatura. Un léxico no es mejor por ser más grande: es mejor cuando se parece a usted.

Sus correcciones. Es el corazón del sistema. Cuando usted retoca una palabra, TechVoice registra el par «lo que se escribió → lo que era correcto», por ejemplo Phalux → Hallux. Un segundo control distingue los verdaderos errores de reconocimiento de los simples cambios de estilo, para no convertir en regla una reformulación suya. En los dictados siguientes, estos pares se facilitan al corrector.

El efecto es medible. Cuando cada dictado de nuestro corpus solo se beneficiaba de las correcciones hechas en los demás dictados, el error en los términos técnicos pasó del 13,9 % al 1,7 %. Es un resultado mejor que el que se obtiene dando al corrector la lista exacta de los términos esperados (2,6 %): mostrarle el error concreto y su corrección le ayuda más que mostrarle solo la palabra correcta.

Nada de esta memoria es opaco. En la pestaña Memoria, usted ve su vocabulario, sus documentos y cada corrección aprendida, y puede modificarlos o eliminarlos en cualquier momento.

Lo que cambia en el día a día

Un ejemplo real, comprobado en la aplicación. Un cirujano dicta en francés un informe de cirugía del pie. Voxtral entiende «Puralux valgus»; el corrector propone «Phalux valgus», más cerca pero todavía incorrecto. El cirujano lo sustituye por «Hallux valgus» y guarda. El par queda aprendido, el término entra en su vocabulario y, si se vuelve a procesar el mismo dictado, ahora sale «Hallux valgus».

Esa es la promesa de un dictado que aprende: cada corrección que usted hace trabaja para las siguientes. Y si una capa falla por el camino (corte de red, servicio no disponible, corrección rechazada), el texto ya transcrito sigue ahí. Nada de lo que ha dictado desaparece.

Los límites, con franqueza

• Nuestras cifras son optimistas. Proceden de voces sintéticas, sin ruido ni vacilaciones. Una voz real, una consulta real y un ritmo rápido generan más errores. El orden de los efectos, en cambio, se confirma de una medición a otra.
• Los números y las unidades merecen especial atención en la revisión: «diez miligramos» y «10 mg» no se escriben igual, y un error en una cifra no se adivina por el contexto.
• La revisión sigue siendo imprescindible. Un dictado por voz, por excelente que sea, produce un borrador del que usted sigue siendo el autor y el responsable.

Para medir lo que el dictado puede ahorrarle, hemos detallado el cálculo del tiempo ahorrado, documento a documento. Y si quiere saber más sobre el propio modelo de transcripción, lea nuestra experiencia con Voxtral.

Fuentes

• Mediciones internas de TechVoice, corpus sintéticos de informes de ortopedia y de diez especialidades, en francés, de septiembre a noviembre de 2026.
• Mistral AI, documentación sobre la transcripción de audio y el context biasing.
• HAL, repositorio abierto multidisciplinar.