Historia del reconocimiento de voz: De Audrey (1952) a los LLM actuales

La evolución del reconocimiento automático de voz

El reconocimiento de voz comenzó como una curiosidad de laboratorio y se convirtió en una interfaz ubicua. Hitos clave:

1950s–1960s: Fundamentos

  • 1952 – Audrey (Bell Labs): Reconoció dígitos del 0 al 9 de un solo hablante usando análisis de formantes.
  • 1962 – Shoebox (IBM): vocabulario de 16 palabras (dígitos + "más", "menos", etc.) en la Feria Mundial de 1962.
  • 1969 – Dynamic Time Warping (DTW): Alineó plantillas de habla de longitud variable; habilitó sistemas de palabra aislada dependientes del hablante.

1970s–1980s: Modelado estadístico

  • 1970s – Modelos Ocultos de Markov (HMM): Baker, Jelinek, Bahl (IBM) aplicaron HMM al habla continua; el marco probabilístico reemplazó la coincidencia de plantillas.
  • 1976 – Harpy (CMU): vocabulario de 1,011 palabras, búsqueda en haz.
  • 1980s – Las redes neuronales entran: Waibel (TDNN), Bourlard (híbrido HMM/ANN); tempranas pero limitadas por el cómputo.

1990s: Comercialización

  • 1990 – Dragon Dictate (Dragon Systems): primera dictación discreta para el consumidor ($9,000).
  • 1996 – ViaVoice (IBM): dictación continua para PC.
  • 1997 – Se funda Nuance: consolidó Dragon, Kurzweil, SpeechWorks; impulsó IVR, automoción, medicina.

2000s–2010s: Móvil y nube

  • 2008 – Google Voice Search (iPhone): ASR en la nube, gratuito, volante de datos masivo.
  • 2011 – Siri (Apple): asistente de voz mainstream.
  • 2014 – Deep Speech (Baidu) y pérdida CTC: aprendizaje profundo de extremo a extremo supera a HMM/GMM.
  • 2016 – WaveNet (DeepMind): TTS generativo; cerró el ciclo.

2020s: Modelos fundacionales

  • Whisper (OpenAI, 2022): multilingüe, robusto, de código abierto.
  • ASR integrado con LLM: consciente del contexto, puntuación, diarización, traducción en un solo modelo.
  • Streaming en el dispositivo: RNN-T, Conformer, Zipformer —tiempo real, privado, sin conexión.

De 10 dígitos a conversación fluida en 70 años —la próxima década apunta a una comprensión multilingüe, multihablante y consciente de las emociones en todas partes.