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
| Campo | Qué 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. |
| Language | Opcional. El idioma del audio, por ejemplo es o en. Vacío por defecto: Inworld detecta el idioma. |
Opciones avanzadas
| Campo | Qué hace |
|---|---|
| Model | El 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
- Voz a texto y texto a voz: todos los componentes para transcribir audio y para generarlo.
- Inworld Text to Speech: lo contrario, convierte un texto en audio con la misma credencial.
- Deepgram Speech to Text, Groq Whisper Speech to Text y Parakeet Local: otras formas de transcribir audio.
Consejos
- Si sabes en qué idioma está el audio, indícalo en Language: así el campo
languagedel 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.