Un acervo con audio plantea un problema que el papel no tiene: el contenido no se puede leer de un vistazo. Una grabación de una hora esconde su tema, sus nombres y sus fechas dentro de sesenta minutos de habla que alguien tiene que escuchar para describir. Una colección de entrevistas, actas orales o registros sonoros se cataloga despacio por esa razón, y muchas veces se queda sin catalogar porque escuchar cada archivo entero no cabe en el tiempo del equipo.
Janium Collect trata el audio con el mismo destino que un documento: leerlo y proponer un registro de catálogo. La diferencia está en el primer paso. Antes de que un modelo de lenguaje pueda extraer metadatos, la voz tiene que convertirse en texto. Ese paso es la transcripción automática (ASR), y de ahí en adelante el audio recorre el mismo camino que un PDF.
De la voz al texto, y del texto al registro
Collect transcribe la grabación y usa esa transcripción como el “contenido” del archivo. Sobre ese texto, el modelo extrae los campos del registro: tema, descripción, personas mencionadas, cobertura. La salida sale en el formato que el acervo usa —Dublin Core para una descripción simple, MARC21 para un catálogo de biblioteca, ISAD-G para un archivo donde importa la procedencia—. No hay un flujo aparte para audio; es el proceso de siempre con una etapa inicial distinta.
No todo el registro sale del habla. Algunos datos vienen de la ficha técnica del archivo, no del contenido: la duración, el códec, la resolución de muestreo. Eso se calcula de forma determinista, sin pasar por el modelo, porque son hechos medibles y no conviene pedírselos a un sistema que podría estimarlos mal. El tipo de recurso —que se trata de un registro sonoro— también se fija así, no lo decide el modelo.
Transcribir en local o en la nube
La transcripción se puede hacer de dos maneras, y la elección tiene consecuencias de costo y de operación distintas.
- Local. El audio se transcribe en la propia máquina, sin salir de la institución. Procesa grabaciones largas, de horas, pero es lento en CPU: la transcripción tarda. Es la opción cuando el material no debe salir del entorno o cuando no se quiere depender de un servicio externo.
- En la nube. La transcripción se delega a un servicio, más rápido y sin carga para el hardware local. Aquí aparece una palanca de costo útil: la transcripción no necesita el mismo modelo caro que hace la extracción de metadatos. Se puede usar un modelo económico solo para transcribir, y reservar el modelo bueno para el paso de catalogación. En pruebas internas, separar esa palanca y limitar el razonamiento del modelo redujo el costo de forma apreciable sin que la calidad de los registros cayera en la muestra.
Ninguna de las dos es “la correcta” en abstracto. El local protege el dato y evita dependencias externas a cambio de tiempo; la nube da velocidad y menor costo por registro a cambio de que el audio salga de la institución. La decisión depende del acervo y de sus restricciones, no de una preferencia técnica.
Cuando la grabación no es una sola cosa
Una entrevista tiene turnos. Un acta oral tiene puntos del orden del día. Una sesión tiene intervenciones de distintas personas. Describir todo eso en un solo registro pierde la estructura que hace consultable el material.
Collect puede segmentar la grabación, como opción que se activa por
institución. Con la segmentación encendida, además del registro global de la
grabación completa, el sistema divide la transcripción en intervenciones o temas y
cataloga cada uno como un registro hijo enlazado al padre. Cada hijo lleva su
propio registro y una referencia explícita a la grabación de la que forma parte
—dcterms:isPartOf en Dublin Core, el campo 773 en MARC—, de modo que el catálogo
conserva la relación entre el todo y sus partes.
El vínculo funciona en las dos direcciones. Un fragmento a mitad de la grabación muchas veces no anuncia su propio tema, así que el sistema completa los campos vacíos del hijo con lo que la segmentación ya dedujo, y hereda del padre la identidad común —autor, fecha—. A la inversa, el registro de la grabación completa puede describirse a partir de sus hijos: su tema es la unión de los temas de los segmentos, su descripción la suma de sus resúmenes. Es descripción derivada de manera determinista, no inventada.
Dónde están los límites
La transcripción automática tiene error, y el error crece con la calidad del audio. Una grabación limpia se transcribe bien; una con ruido de fondo, voces solapadas o micrófono lejano produce texto con fallos, y esos fallos se arrastran a la extracción de metadatos. Cuando el sistema detecta que un archivo casi no tiene habla —música o ambiente en vez de voz—, no fuerza una descripción a partir de una transcripción pobre: prefiere apoyarse en los metadatos del archivo y marcar el caso, para no fabricar contenido que no está.
Como con el resto de Collect, lo que sale son registros propuestos que alguien revisa, no un catálogo terminado. La transcripción es un borrador del contenido, no una acta literal, y ciertos datos —una signatura, una fecha de la sesión, el nombre exacto de una entidad— vienen de la ficha o del criterio del catalogador, no del audio. El sistema acorta la escucha y el tecleo; no sustituye a quien conoce el acervo.
Para continuar la conversación
Si tu institución tiene grabaciones sonoras esperando descripción —entrevistas, actas orales, fondos audiovisuales— y el cuello de botella es que hay que escuchar cada una para catalogarla, esto es lo que Collect intenta aliviar. Escríbenos a info@janium.com; nos interesa saber cómo es tu material sonoro, en qué formato lo describes y qué tan limpio es el audio, porque eso cambia lo que se puede esperar.