Saltearse al contenido

Inworld Speech to Text

Inworld Speech to Text convierte en texto archivos de audio ya grabados: notas de voz, grabaciones de llamadas o audios que se suben al flujo. Si no le indicas el idioma, Inworld lo detecta entre los 30 que reconoce. Devuelve un Data por cada archivo, con la transcripción en el campo text.

Necesitas una credencial Inworld API con la clave de tu cuenta de Inworld. Consulta Credenciales. El audio se envía a Inworld para transcribirlo.

No es el nodo de voz para llamadas: para escuchar a quien llama en una llamada en directo, el Agente de Voz usa el nodo Inworld STT. Este componente espera a tener el archivo completo.

Cuándo usarlo

  • Pasar a texto los mensajes de voz que llegan por mensajería para que un agente los lea.
  • Transcribir grabaciones de llamadas o reuniones para resumirlas después.
  • Dar a un agente la capacidad de transcribir un audio cuando lo necesite, usando el componente como herramienta.
  • Transcribir de una vez una lista de audios con Batch Mode.

Configuración

CampoQué hace
API Key (obligatorio)Tu clave de Inworld. La clave se rellena sola al elegir tu credencial de Inworld.
Audio (obligatorio)El archivo de audio (o de vídeo) que quieres transcribir: WAV, MP3, OGG, M4A, WEBM… Conéctalo al componente que trae el archivo, por ejemplo un webhook, un chat con adjuntos o el almacenamiento. Admite varios archivos.
LanguageOpcional. El idioma del audio, por ejemplo es o en. Vacío por defecto: Inworld detecta el idioma.

Opciones avanzadas

CampoQué hace
ModelEl modelo de transcripción de Inworld. Por defecto, inworld/inworld-stt-1, el único disponible.

Resultado

La salida Data entrega un registro por archivo:

{
"text": "Hola, buenos días. Su cita está confirmada para el martes a las diez y media.",
"language": "es",
"file_name": "nota_de_voz.ogg",
"provider": "Inworld",
"model": "inworld/inworld-stt-1"
}

Inworld no devuelve el idioma que ha detectado: language es el que hayas puesto en Language, y queda vacío si lo dejas en blanco.

Cada archivo puede ocupar hasta unos 16 MB. Si uno es mayor, la ejecución se detiene con un aviso que indica su tamaño.

Ejemplo

Una clínica recibe por WhatsApp notas de voz de pacientes que quieren cambiar su cita. El flujo pasa cada audio a Inworld Speech to Text con Language en es. Un agente lee el campo text, busca la cita del paciente y propone un hueco nuevo.

Componentes relacionados

Consejos

  • Si sabes en qué idioma está el audio, indícalo en Language: así el campo language del resultado sale relleno.
  • Medido en nuestro entorno de pruebas el 3 de noviembre de 2026: la frase «Hola, buenos días. Su cita está confirmada para el martes a las diez y media.» se transcribió en 0,5 s, palabra por palabra.