Cómo transcribir una charla de conferencia (con preguntas y respuestas)

El camino de la charla de conferencia

Sube tu grabación y en unos minutos tendrás un borrador de transcripción. Lo complicado es la preparación que hace utilizable ese borrador: el audio de una conferencia llega con un ponente bien captado por el micrófono en una pista y un micrófono de sala lejano captando las preguntas del público en otra, y esos dos mundos sonoros exigen estrategias de edición distintas.

Este artículo cubre el flujo de trabajo completo: desde la preparación del archivo hasta la limpieza del turno de preguntas, la sincronización con diapositivas y los pasos de permiso que necesitas antes de publicar.

Por qué el audio de conferencia es diferente al de un pódcast

El presentador y el invitado de un pódcast usan ambos micrófonos de solapa cercanos o micrófonos cardioideos en una habitación silenciosa. El audio de escenario rompe esa suposición en tres puntos:

El ponente lleva micrófono; el público, no. Las preguntas del público llegan a través de un micrófono de sala situado a entre 20 y 40 pies de quien pregunta. Ruido de viento, sillas que se arrastran, aplausos y reverberación de la sala se comprimen todos en la misma pista. Un modelo ve una transmisión de audio en la que dos tercios del contenido están limpios y un tercio es una sopa acústica.

Las transiciones audiovisuales inyectan audio sin habla. Música de entrada, aplausos, sonidos de avance de diapositivas y señales de iluminación se mezclan en la grabación maestra. Los modelos de transcripción antiguos intentan interpretar las ráfagas de ruido como habla y producen racimos de «eh, em, la, la» donde el sonido no es habla. Los modelos modernos lo manejan mejor, etiquetando eventos evidentes como [applause] u omitiendo los silencios, pero las transiciones con niveles de audio bajos todavía los hacen tropezar.

Configuraciones de micrófono variables dentro del mismo evento. Un micrófono de solapa en la solapa es excelente. Un micrófono de atril a la altura del pecho es aceptable. Un micrófono de mano que el ponente olvida sostener cerca reduce la precisión de forma notable. Las charlas de una misma conferencia pueden abarcar todo ese rango, lo que significa que tu tiempo de edición por charla no se puede predecir solo a partir de su duración.

Preparación de la grabación (si tienes algún control)

Los organizadores de conferencias y los equipos de audiovisuales pueden mejorar cada transcripción antes de que empiece la grabación:

• Micrófono de solapa para cada ponente. Esta única decisión aporta más mejora de precisión que cualquier paso de posprocesamiento.
• Micrófono inalámbrico separado para las preguntas del público. Un micrófono de mano que un voluntario lleva hasta cada persona que pregunta marca la diferencia entre capturar la pregunta y adivinarla.
• Grabación multipista. Micrófono del ponente y micrófono de sala en canales separados. Permite un control de ganancia independiente y, más adelante, pasadas de diarización independientes en cada pista.
• Como mínimo, AAC a 192 kbps o sin pérdida. Todo lo que esté por debajo empieza a dañar las consonantes de alta frecuencia que distinguen palabras similares.

Los asistentes que graban su propia copia tienen menos opciones. Un teléfono sobre el regazo funciona en salas pequeñas. Un teléfono conectado a un micrófono de solapa externo apoyado en un soporte cerca del altavoz del sistema de megafonía funciona mejor. La mejor opción siempre es solicitar la grabación oficial de audiovisuales después del evento, si el organizador la publica.

Elegir el archivo adecuado para subir

Las grabaciones de conferencias llegan en unos pocos formatos:

• MP4 del equipo de audiovisuales o del sitio web del evento. Lo estándar. Las herramientas de transcripción extraen el audio internamente, así que subir el MP4 directamente funciona.
• MP3 de una señal únicamente de audio. Más pequeño e igualmente válido.
• WAV de la master de audiovisuales. Alta calidad, archivo grande. Úsalo cuando lo tengas.

Para archivos MP4 grandes, eliminar la pista de vídeo antes de subirlos ahorra ancho de banda y acelera considerablemente la subida:

ffmpeg -i talk.mp4 -vn -acodec mp3 -ab 192k talk.mp3

La herramienta de audio a texto y la herramienta de vídeo a texto aceptan ambas grabaciones de conferencias directamente.

La pasada de transcripción

Cuatro ajustes que importan para el audio de conferencia:

Idioma. Ajústalo al idioma del ponente principal. Si la charla está en inglés, es sencillo. Para eventos multilingües, consulta la sección multilingüe más abajo.

Número de hablantes. Para una ponencia magistral en solitario sin turno de preguntas, configúralo en 1. Para una charla con sección de preguntas y respuestas, añade una estimación del número de personas que preguntarán. Una ponencia magistral de 60 minutos con 15 minutos de preguntas puede ver entre 8 y 12 personas distintas haciendo preguntas; fijar el número de hablantes en 10 le da al motor de diarización margen suficiente sin generar hablantes fantasma.

Pistas de vocabulario. Las charlas de conferencia concentran vocabulario del dominio: nombres de ponentes, nombres de productos, siglas técnicas, nombres de empresas. Una lista personalizada de 15 a 20 palabras reduce sustancialmente los errores en esos términos. Obtén la lista de la diapositiva de título de la charla o del programa de la conferencia.

Tiempo de procesamiento. Una charla de 60 minutos se devuelve en unos 4 a 6 minutos. La calidad del audio influye en esto por cuestión de segundos, no de varios minutos.

La pasada de edición: sección del ponente frente a sección de preguntas y respuestas

Las charlas de conferencia tienen dos mitades acústicamente distintas, y necesitan estrategias de edición diferentes.

La sección del ponente (primer 70-80 % del audio)

Esta es la parte limpia. Un modelo moderno con un único ponente bien captado por el micrófono alcanza una precisión en la franja media-alta de los 90. Una pasada rápida de edición:

• Corrige nombres propios, nombres de productos y siglas que no estén en la lista de vocabulario.
• Revisa números y fechas (años, números de versión, estadísticas).
• Estate atento a construcciones como «como pueden ver aquí» y «esta diapositiva muestra» en las que el ponente señaló algo visual. Anota la marca de tiempo para poder sincronizar las diapositivas después.

La sección de preguntas y respuestas del público

Aquí está el verdadero trabajo. Patrones de error habituales:

• Las preguntas se oyen parcialmente o son puro ruido. La transcripción puede mostrar una frase parcial, aproximaciones fonéticas de las palabras reales o texto sin sentido.
• El ponente reformula la pregunta. La mayoría de los ponentes con experiencia repiten o parafrasean lo que se les preguntó. Esa reformulación es tu texto canónico de la pregunta. Úsala. Elimina el original ininteligible.
• Las preguntas de varias partes se juntan. Quienes preguntan suelen plantear dos o tres cosas de un solo aliento. La transcripción las funde en un solo bloque. Considera separarlas con una nota editorial.
• Quien pregunta se identifica. «John, de Acme Corp» a veces se escucha con claridad y a veces llega como fragmentos de sonido distorsionado. Transcribe lo que puedas confirmar y deja fuera el resto.

Mi opinión: para la mayoría del audio de preguntas y respuestas, una política de «limpia lo que se entiende, marca el resto como [inaudible]» produce el resultado más honesto. Resiste la tentación de reconstruir una pregunta a partir de la ambigüedad acústica. Si adivinas mal, le pones palabras en la boca a una persona real.

Tres opciones para las preguntas y respuestas en la transcripción final

Opción 1: Omitir el turno de preguntas por completo. Para artículos de blog derivados de la charla, el contenido preparado es lo que busca la mayoría de los lectores. La sección de preguntas rara vez aporta lo suficiente para justificar el costo editorial de depurar audio ininteligible. Córtala limpiamente y, opcionalmente, añade la nota «Tramo de preguntas y respuestas no transcrito».

Opción 2: Limpiar las preguntas y respuestas lo mejor posible. Para un archivo público completo de la sesión, edita las preguntas con cuidado: marca los pasajes inaudibles, apóyate en las reformulaciones del ponente y acepta alguna pérdida. El resultado no será textual, pero será honesto acerca de sus límites.

Opción 3: Reconstruir a partir de las notas del ponente. Si el ponente recuerda qué se le preguntó, añade un resumen escrito de las preguntas y respuestas. Etiquétalo claramente como reconstruido («Lo siguiente es un resumen escrito de las preguntas y respuestas basado en notas del ponente, no una transcripción textual») para que los lectores sepan qué están leyendo.

Para conversiones a artículo de blog, la opción 1. Para registros de archivo, la opción 2. La opción 3 solo es apropiada cuando el ponente participa activamente en la producción de la versión publicada.

Sincronizar la transcripción con las diapositivas

Una transcripción publicada junto a un vídeo de la charla incrustado se vuelve dramáticamente más útil cuando las diapositivas aparecen en los momentos correctos. El flujo de trabajo de marcas de tiempo a diapositivas:

1. Durante la pasada de edición, anota cada marca de tiempo en la que el ponente hace referencia a una nueva diapositiva («siguiente diapositiva», «como pueden ver aquí», «seguimos adelante»).
2. Abre la presentación y asocia cada marca de tiempo con el número de diapositiva correspondiente.
3. En la versión publicada, incrusta una captura de pantalla de la diapositiva pertinente en el texto en ese punto, o añade un enlace clicable a una marca de tiempo concreta del vídeo (por ejemplo, ?t=1234 en una URL de inserción de YouTube).

Es un paso ligero de posprocesamiento, pero supone la diferencia entre una transcripción que complementa el vídeo y una que se basta sola para los lectores que no pueden o deciden no verlo.

En el caso de los paneles, cómo funciona la diarización de hablantes explica cómo el motor separa a los ponentes automáticamente, lo cual influye en cómo lees y editas las etiquetas de ponente antes de sincronizar con las diapositivas.

Protocolo de permisos del ponente antes de publicar

Este paso se omite más de lo que debería. El marco práctico:

Para las sesiones públicas de conferencia, el organizador del evento suele tener los derechos de grabación y el ponente aceptó los términos de presentación cuando accedió a hablar. Eso cubre la grabación y publicación en la mayoría de los casos.

Aun así, envía al ponente un borrador para revisión. Una mala transcripción en un registro