En un avance significativo en el ámbito de la transcripción de audio, Amazon ha implementado una función de transmisión de transcripciones multicanal a través de su plataforma Amazon Transcribe. Esta innovación permite a los usuarios, especialmente aquellos que operan en entornos colaborativos, integrar múltiples fuentes de audio mediante un navegador web. Utilizando la API de Web Audio de JavaScript, se presenta la manera de conectar y combinar diferentes fuentes de audio, como videos, archivos de audio o micrófonos, para generar transcripciones efectivas.
El artículo revela un proceso paso a paso para aprovechar esta tecnología, enfocándose en la utilización de dos micrófonos como fuentes de audio. La idea es fusionar estos micrófonos en un solo canal de audio estéreo que posteriormente se envía a Amazon Transcribe para su transcripción. El código fuente para una aplicación desarrollada en Vue.js se presenta como parte del tutorial, destacando su flexibilidad para adaptarse a una diversidad de dispositivos y fuentes de audio.
Una de las ventajas clave de esta metodología es la posibilidad de obtener transcripciones para dos fuentes dentro de una sola sesión en Amazon Transcribe. Esto no solo genera un ahorro de costos significativo, sino que también simplifica el proceso de recopilación de datos.
Sin embargo, la implementación de dos micrófonos también conlleva ciertos desafíos. La identificación de hablantes a través de etiquetas de Amazon Transcribe puede ser problemática, ya que estas se asignan aleatoriamente al inicio de la sesión. Esto implica que, después de iniciar la transmisión, los resultados deben ser mapeados en la aplicación del usuario, lo que puede resultar complicado, sobre todo en casos de voces similares. Además, podría haber superposición de voces si ambos hablantes intervienen simultáneamente en una única fuente de audio. La utilización de micrófonos direccionales y una adecuada gestión del volumen son algunas de las estrategias para mitigar estos problemas.
Para implementar esta solución, se requiere de ciertos prerrequisitos, como la configuración de claves de acceso a AWS. El artículo detalla los pasos necesarios para iniciar la aplicación, que incluyen la administración de las conexiones de los micrófonos y el procesamiento del audio a través de la API de Web Audio. De forma gradual, se introduce el código necesario para realizar la fusión de audio y su posterior transmisión a Amazon Transcribe en formato PCM.
El uso de trabajos de audio (Audio Worklet) para un procesamiento de audio de baja latencia se destaca como una de las características más innovadoras de esta implementación. Esto permite no solo la fusión de los canales de audio, sino también la codificación de los datos en tiempo real.
En conclusión, esta nueva funcionalidad de Amazon Transcribe representa una herramienta valiosa para la transcripción de audio en tiempo real que cabe en una variedad de aplicaciones, desde la grabación de reuniones hasta la creación de interfaces controladas por voz. Con la oportunidad de experimentar de primera mano con esta solución, los desarrolladores y empresarios tienen ahora el camino abierto para explorar nuevas aplicaciones en elían.
vía: AWS machine learning blog
