Arkinu
Comparador de servicios de AWS

Amazon Polly vs Amazon Transcribe: diferencias y cuándo usar cada uno

Amazon Polly
Amazon Transcribe

Se confunden a menudo en el examenLas preguntas suelen ofrecer uno como distractor del otro: fíjate en la frase del escenario que inclina la balanza.

Aprendizaje automático

Amazon Polly

Servicio que convierte texto en voz realista (text-to-speech). Sirve para crear aplicaciones que hablan, en varios idiomas y con distintas voces, por ejemplo para lectores de noticias o accesibilidad.

Frases del examen que apuntan aquí

  • «convertir texto en voz que suene natural»

    Amazon Polly recibe texto y devuelve audio hablado con voces realistas, listo para reproducir o guardar.

    Cuándo no: Si el sentido es el contrario, de audio a texto, la respuesta es Amazon Transcribe. Si además hay que mantener una conversación con el usuario, se piensa en Amazon Lex, que junto con Polly forma interfaces de voz completas.

  • «controlar la pronunciación, las pausas o la velocidad de la voz»

    Con SSML se marcan pausas, énfasis, velocidad, tono y volumen, y con los lexicones personalizados se fija cómo se pronuncian palabras concretas.

    Cuándo no: Si el problema es que el sistema no reconoce bien ciertas palabras en un audio, eso es reconocimiento de voz: se resuelve con el vocabulario personalizado de Amazon Transcribe.

  • «generar archivos de audio de textos largos y guardarlos para reutilizarlos»

    La síntesis asíncrona de Polly procesa textos largos en segundo plano y deja el audio en un bucket de Amazon S3; el audio generado se puede reproducir las veces que se quiera.

    Cuándo no: Para frases cortas que deben sonar casi al instante, se usa la síntesis normal (SynthesizeSpeech), que devuelve el audio en la respuesta.

  • «resaltar cada palabra en pantalla mientras se lee en voz alta»

    Las speech marks de Polly devuelven los tiempos de cada frase, palabra o forma de la boca, para sincronizar texto resaltado o animaciones con el audio.

    Cuándo no: Polly no traduce: si el texto debe leerse en otro idioma, primero se traduce con Amazon Translate y luego se sintetiza.

  • «leer contenido en voz alta para mejorar la accesibilidad»

    Ayudar a personas con discapacidad visual o con dificultades de lectura es uno de los usos típicos que AWS cita para Polly.

    Cuándo no: Si el contenido está en una imagen o en un documento escaneado, primero hay que extraer el texto (Amazon Textract para documentos) y después sintetizarlo.

Estudiar Amazon Polly →

Aprendizaje automático

Amazon Transcribe

Servicio de reconocimiento automático de voz que convierte audio en texto (speech-to-text). Transcribe en tiempo real (streaming) o por lotes a partir de archivos en Amazon S3.

Frases del examen que apuntan aquí

  • «convertir grabaciones de audio o vídeo en texto»

    Amazon Transcribe es el reconocimiento automático de voz de AWS: recibe audio y devuelve el texto con marcas de tiempo y confianza por palabra.

    Cuándo no: Si el sentido es el contrario, de texto a voz, es Amazon Polly. Si además hay que entender qué quiere el usuario y responderle en una conversación, es Amazon Lex.

  • «subtítulos en vivo o transcripción en tiempo real»

    La transcripción en streaming recibe el audio por trozos (HTTP/2, WebSocket o SDK) y devuelve el texto mientras se habla.

    Cuándo no: Si el audio ya está grabado en S3 y no hay prisa, se usa la transcripción por lotes, que admite más formatos. Además, no todos los idiomas admiten streaming.

  • «analizar las llamadas del centro de contacto: sentimiento, problemas y resúmenes»

    Transcribe Call Analytics está entrenado para llamadas de atención y ventas: da sentimiento, motivos de la llamada, categorías, resúmenes y alertas en tiempo real.

    Cuándo no: Call Analytics exige audio de dos canales (agente y cliente por separado). Si lo que se tiene ya es texto, el sentimiento se analiza con Amazon Comprehend.

  • «ocultar datos personales en las transcripciones»

    La redacción de PII de Transcribe sustituye en la transcripción datos como números de tarjeta o de seguridad social, tanto en lotes como en streaming.

    Cuándo no: La redacción estándar no toca el audio original (Call Analytics sí puede redactar también el audio) y no sirve para textos que no vienen de un audio: para eso está Amazon Comprehend.

  • «reconocer términos técnicos, nombres de productos o jerga del sector»

    Con un vocabulario personalizado o un modelo de lenguaje personalizado entrenado con textos del sector, Transcribe reconoce mejor las palabras propias del dominio.

    Cuándo no: Para dictado o conversaciones médicas existe Amazon Transcribe Medical, que según la FAQ solo admite inglés de EE. UU.

Suele ir con

  • Amazon S3
Estudiar Amazon Transcribe →