Transcripción en tiempo real vs. después de la reunión: ventajas e inconvenientes

Si tu único entregable es un documento que lees después de la llamada, usa la transcripción por lotes posterior a la reunión. Es más precisa, más barata de operar y gestiona mejor la diarización de hablantes. El streaming en tiempo real es la elección correcta cuando alguien necesita leer las palabras durante la propia conversación.

Esa frase resuelve el 80 % de las decisiones. El resto de este artículo desglosa los compromisos para que puedas manejar el 20 % restante.

Qué hace realmente cada modo

La transcripción en tiempo real (streaming) envía el audio al modelo de voz en fragmentos pequeños, normalmente de 100-250 ms. El modelo devuelve texto parcial casi de inmediato, con un retraso total de extremo a extremo de unos 300-850 ms respecto al hablante. Las palabras aparecen en pantalla mientras la persona habla.

La transcripción posterior a la reunión (por lotes) se ejecuta una vez guardada la grabación. Subes un archivo (o un bot graba la llamada) y el modelo procesa el audio completo. Una llamada de 60 minutos suele estar lista en 3-10 minutos, aunque muchos proveedores de API devuelven resultados en menos de 2 minutos para archivos de longitud estándar.

La diferencia arquitectónica importa: los modelos de streaming procesan el audio sin saber qué viene después. Los modelos por lotes leen el archivo completo y pueden usar el contexto futuro para corregir suposiciones anteriores.

La brecha de precisión

La brecha es real y medible. Deepgram publicó cifras de WER de su modelo Nova-3 en un benchmark de 81 horas y nueve dominios: el streaming alcanzó una WER mediana de 6,84 %, mientras que el lote sobre el mismo audio llegó a 5,26 %. Eso supone una ventaja aproximada de 1,5 puntos porcentuales para el lote, que se traduce en menos palabras erróneas por párrafo.

La brecha se amplía con audio más difícil:

• Los acentos marcados o los hablantes superpuestos elevan la WER del streaming porque el modelo se compromete con una suposición antes de escuchar el contexto aclaratorio.
• El vocabulario técnico (nombres de producto, términos médicos, jerga jurídica) se corrige con más frecuencia en modo lote, donde la frase completa es visible.
• Whisper Large-v3, uno de los modelos de código abierto más precisos, fue diseñado para procesamiento por lotes. Ejecutarlo en pseudo-streaming requiere soluciones de fragmentación que degradan la precisión de forma notable en comparación con el procesamiento del archivo completo.

Para cumplir el Título II de la ADA, la práctica del sector apunta a una precisión de subtítulos superior al 99 %. Los sistemas automáticos en tiempo real suelen lograr entre el 95 % y el 98 % en audio limpio. Esa brecha importa a efectos legales: los subtítulos en vivo integrados de Zoom ofrecen aproximadamente un 80-90 % de precisión en condiciones reales, muy por debajo del umbral del 99 %. La fecha límite de abril de 2026 del Título II de la ADA (para entidades públicas con 50.000 personas o más) exige subtítulos en vivo para sesiones de video en vivo, pero la cuestión de la precisión es independiente de la exigencia legal de proporcionarlos.

Para saber más sobre cómo se mide la precisión y qué significan estas cifras en la práctica, el explicador sobre la precisión de la transcripción detalla las matemáticas.

La brecha de diarización

Etiquetar hablantes es más difícil en modo streaming. Un modelo por lotes ve la grabación completa cuando asigna los identificadores de hablante, así que puede agrupar voces de forma global. Un modelo de streaming debe adivinar quién habla en cada momento sin saber quién hablará después.

En la práctica, la diarización por lotes con dos hablantes sobre una grabación limpia ronda el 95 % de precisión o más. La diarización en tiempo real sobre el mismo audio cae al 80-90 %, y algunas herramientas "corrigen hacia atrás" etiquetas anteriores a medida que llega audio nuevo. Eso significa que una etiqueta que leíste hace 30 segundos puede cambiar cuando el modelo obtiene más contexto. Aceptable en una transcripción final; desconcertante si estás leyendo en vivo.

El artículo sobre diarización de hablantes explica por qué este problema es arquitectónicamente difícil de resolver en modo streaming.

El ajuste de latencia

Las herramientas de streaming te permiten intercambiar latencia por precisión. La mayoría ofrecen algo parecido a tres modos:

Para subtítulos en vivo en una pantalla de presentación, la latencia media es el punto óptimo práctico. El público lee aproximadamente al ritmo del orador, las correcciones son poco frecuentes y la precisión es notablemente mejor que en el modo de baja latencia. Para participantes sordos que siguen una conversación rápida, la baja latencia importa más que la precisión, porque perderse una palabra resulta menos problemático que leer un subtítulo segundos después de que el momento haya pasado.

Diferencias de costo

A nivel de API, el lote es más barato. AssemblyAI cobra aproximadamente $0,15/hora por la transcripción por lotes y alrededor de $0,45/hora por streaming, un recargo de 3x por el tiempo real. Deepgram lista Nova-3 a la misma tarifa nominal por minuto para ambos modos ($0,0077/minuto de pago por uso), pero el streaming añade costos de infraestructura: mantienes una conexión WebSocket persistente durante toda la llamada, lo que exige más capacidad de servidor que procesar un archivo de forma asíncrona.

En herramientas para usuarios finales, el precio viene incluido en planes de suscripción, así que el costo por modo es menos visible. Pero la economía se refleja en las decisiones de producto: Otter.ai (que hace transcripción en vivo) cobra desde $8,33/usuario/mes (Pro, anual) por 1.200 minutos al mes. Fireflies (que se centra en la posreunión) parte de $10/puesto/mes (Pro, anual) con 8.000 minutos de almacenamiento por puesto. Ambas ofrecen planes gratuitos.

Para un desglose más profundo, consulta la comparativa de precios de transcripción.

Tabla de decisión

Cuando el tiempo real es la única opción

Tres escenarios genuinamente exclusivos del streaming:

1. Accesibilidad para un participante sordo en una conversación en vivo. El texto tiene que aparecer durante la reunión, no después.
2. Subtítulos en vivo en un evento público o webinar. Muchas jurisdicciones ya lo exigen. Los subtítulos automáticos con 95-98 % de precisión están ampliamente extendidos, aunque se quedan cortos frente al estándar de más del 99 % del cumplimiento estricto de la ADA, así que los eventos de alto riesgo suelen combinar subtítulos automáticos con un proveedor humano de CART.
3. Asistencia o coaching en tiempo real para agentes. Un agente de soporte o comercial recibe sugerencias, alertas o avisos de cumplimiento según lo que dice el cliente durante la llamada. Esto no puede esperar a que termine la llamada.

Para todo lo demás, el lote con respuesta rápida es la opción predeterminada.

Cuando el lote es lo correcto aunque pidan tiempo real

Tres peticiones habituales en las que la gente pide tiempo real pero en realidad quiere lote rápido:

"Quiero la transcripción lista cuando cuelgo." El procesamiento por lotes rápido suele devolver una llamada de 60 minutos en menos de cinco minutos. Normalmente eso es suficiente. Transmitir la misma llamada en tiempo real cuesta más y produce una transcripción menos precisa.

"Quiero tomar notas a partir de los subtítulos en vivo." Leer subtítulos mientras escuchas divide tu atención. La mayoría de la gente encuentra más eficaz dejar que la reunión fluya y revisar después la transcripción por lotes, a menudo usando un resumen con IA para extraer los puntos clave.

"Quiero buscar en la llamada mientras ocurre." Técnicamente posible, pero el caso de uso real es casi siempre "buscar en la llamada después", que es un trabajo por lotes sobre la grabación completada.

La configuración profesional estándar

La mayoría de los flujos de trabajo en producción combinan ambos en secuencia:

1. Los subtítulos en vivo funcionan durante la reunión para accesibilidad o referencia en tiempo real.
2. La transcripción por lotes se ejecuta sobre la grabación cuando termina la llamada, produciendo el documento canónico.

El resultado en tiempo real se trata como efímero. El resultado por lotes es lo que se almacena, edita, vincula y usa aguas abajo en resúmenes, tareas pendientes y archivos. Zoom, Google Meet y Microsoft Teams siguen todos este patrón: subtítulos en vivo durante la llamada y un archivo de transcripción posterior dentro de la grabación guardada.

Para la transcripción por lotes de llamadas de Zoom grabadas, reuniones de Teams o sesiones de Google Meet, la herramienta de transcripción de reuniones gestiona la carga y devuelve una transcripción etiquetada sin necesidad de un bot de reunión.

Si solo necesitas una transcripción limpia de una grabación, ConvertAudioToText toma el archivo directamente, sin instalación de bots ni acceso al calendario.

Preguntas frecuentes

¿La transcripción en tiempo real es menos precisa que la por lotes?

Sí, por un margen medible. El modelo Nova-3 de Deepgram muestra un WER de 6,84 % en streaming frente a 5,26 % en lote sobre el mismo audio de referencia, una diferencia aproximada de 1,5 puntos porcentuales. Con audio más difícil (acentos, habla cruzada, términos técnicos) la brecha se amplía, porque los modelos de streaming deben comprometerse con cada palabra sin ver la frase que sigue.

¿Cuánto retraso tiene la transcripción en tiempo real?

La latencia de extremo a extremo de la transcripción por streaming suele situarse entre 300 y 850 ms. La mayoría de las herramientas ofrecen un ajuste de latencia: menor latencia significa que las palabras aparecen más rápido pero con más correcciones; mayor latencia (3-5 segundos) se acerca a la precisión del modo por lotes sin dejar de percibirse como en vivo a la velocidad humana de lectura.

¿Es la transcripción por lotes más barata que la en tiempo real?

Por lo general sí, a nivel de API. AssemblyAI cobra aproximadamente 3 veces más por streaming que por lotes. Algunos proveedores como Deepgram publican la misma tarifa nominal por minuto, pero el streaming añade costos de infraestructura mediante conexiones WebSocket persistentes que el modo por lotes evita con una simple carga de archivo. Si no necesitas el texto durante la conversación, el lote es la opción más económica.

¿Usan Zoom, Meet y Teams transcripción en tiempo real o por lotes?

Ambas. Los subtítulos en vivo durante la llamada son streaming en tiempo real. La transcripción posterior guardada con tu grabación se procesa por lotes después de que termina la reunión. La versión posterior a la llamada suele ser más precisa e incluye mejores etiquetas de hablante. La mayoría de las plataformas de reuniones tratan el resultado por lotes como el registro oficial.

¿Cuándo se exige legalmente la transcripción en tiempo real?

El Título II de la ADA (en su versión actualizada) exige subtítulos en vivo para sesiones de video en vivo organizadas por entidades públicas cubiertas, con fecha límite de cumplimiento del 24 de abril de 2026 para entidades que atienden a 50.000 personas o más. Muchas jurisdicciones tienen requisitos similares para eventos públicos y radiodifusión. Los subtítulos automáticos en vivo suelen alcanzar una precisión del 95-98 %; el cumplimiento estricto de la ADA apunta a más del 99 %, lo que a menudo requiere un proveedor humano de CART para eventos de alto riesgo.

Fuentes

• Deepgram, "Introducing Nova-3": https://deepgram.com/learn/introducing-nova-3-speech-to-text-api
• Deepgram Pricing: https://deepgram.com/pricing
• AssemblyAI, "Real-Time vs Batch Transcription": https://www.assemblyai.com/blog/real-time-vs-batch-transcription
• AssemblyAI Pricing: https://www.assemblyai.com/pricing
• Otter.ai Pricing: https://otter.ai/pricing
• Fireflies Pricing: https://fireflies.ai/pricing
• Interprefy, "Closed Captions Accuracy: Zoom vs Teams": https://www.interprefy.com/resources/blog/closed-captions-accuracy-zoom-teams
• BoxCast, "ADA Title II Captioning Requirements April 2026": https://www.boxcast.com/blog/how-to-comply-with-ada-title-ii-captioning-requirements-by-april-2026
• AssemblyAI, "The 300ms Rule: Why Latency Makes or Breaks Voice AI": https://www.assemblyai.com/blog/low-latency-voice-ai