8 kHz frente a 16 kHz para agentes de voz: lo que dicen los datos de WER
En nuestra prueba de banda estrecha, un tramo a 8 kHz cuesta al reconocedor 5.79% de WER con voz limpia frente a 4.74% a 16 kHz, y la brecha crece con el ruido. Ninguna ruta de mejora que medimos, ya fuera 8 kHz nativo o con sobremuestreo, superó al audio de 8 kHz sin tocar.
En nuestra prueba, 8 kHz le cuesta al reconocedor 5.79% de WER con voz limpia frente a 4.74% a 16 kHz, y la brecha crece con el ruido: alrededor de un punto con audio limpio, varios puntos a 0 dB de SNR. Ninguna de las rutas de mejora que medimos en el tramo de 8 kHz lo recuperó, así que la respuesta práctica es conservar la frecuencia que da el operador y no sobremuestrear por el bien de un modelo.
Todas las cifras proceden de los artefactos de Null Test, benchmark.json y la ejecución de banda estrecha por separado (ambos con fecha 2026-08-14), puntuados con faster-whisper base.en. El lado del operador lo tratamos en 8 kHz es donde la IA de voz se rompe; este post pregunta solo qué dice el WER.
Mismo nivel de ruido, dos frecuencias de muestreo
| Condición (audio crudo, sin mejora) | WER a 16 kHz | WER a 8 kHz | Diferencia (pp) |
|---|---|---|---|
| clean | 4.74% | 5.79% | +1.05 |
| SNR 10 dB | 6.32% | 10.00% | +3.68 |
| SNR 0 dB | 11.05% | 16.32% | +5.26 |
Medido el 2026-08-14. La columna de 16 kHz es la matriz de 19 condiciones; la de 8 kHz es la ejecución de banda estrecha (60 clips, 190 palabras de referencia por condición). Una palabra de referencia equivale a 0.53 pp en una sola condición, de modo que la brecha de 1.05 pp con voz limpia son dos palabras. Leemos la brecha a 0 dB de SNR como real y la de voz limpia como pequeña.
Qué pasa cuando se añade un modelo al tramo de 8 kHz
| Ruta a 8 kHz | WER | frente a raw8k (pp) |
|---|---|---|
| raw8k (no processing) | 11.14% | 0.00 |
| soxr_vhq resample only | 10.96% | -0.18 |
| aic-quail-l-8khz (native 8 kHz) | 11.05% | -0.09 |
| aic-quail, upsampled (soxr_vhq) | 11.75% | +0.61 |
| gtcrn, upsampled (soxr_vhq) | 16.58% | +5.44 |
| fastenhancer-b, upsampled (soxr_vhq) | 17.63% | +6.49 |
Medido el 2026-08-14, 1,140 palabras de referencia por fila, de modo que una palabra son 0.09 pp. Los pesos nativos de 8 kHz de ai-coustics (referencia propietaria, solo para benchmark) empatan con el audio sin tocar: 11.05% frente a 11.14%. Sobremuestrear hacia un modelo de 16 kHz cuesta más: 11.75% con el modelo de 16 kHz del mismo proveedor, 16.58% con GTCRN. A los modelos de 16 kHz alimentados con señal de banda estrecha se les pide trabajar con un ancho de banda que no existe.
Qué sacamos de esto
Primero, la frecuencia de muestreo es una palanca menor que el ruido de la línea: a 10 dB de SNR la penalización de 8 kHz es de unos pocos puntos, mientras que las condiciones de voz concurrente de la matriz de 16 kHz mueven el WER decenas de puntos. Segundo, el remuestreador no es el villano: el control de ida y vuelta no mostró pérdida por remuestreo, por eso retractamos esa afirmación. Tercero, si añade mejora en un tramo telefónico, mídala contra el audio crudo de 8 kHz con sus propias llamadas, porque en las nuestras nada lo superó.
El reconocedor importa: uno mayor tendrá cifras absolutas menores, y el arnés puede puntuar otros reconocedores para comprobar el orden.
FAQ
¿16 kHz siempre supera a 8 kHz en reconocimiento de voz? En nuestras filas comparables, sí: 1.05 pp con voz limpia y más con ruido. No probamos un reconocedor entrenado solo con datos de banda estrecha.
¿Debo sobremuestrear audio de 8 kHz antes del STT? Nuestras rutas sobremuestreadas con un modelo delante fueron peores que los 8 kHz crudos. No medimos el sobremuestreo sin modelo más allá del control de solo remuestreo, que empató con el audio crudo.
¿Existe un modelo de aislamiento de hablante a 8 kHz? En nuestra ejecución, ai-coustics fue el único proveedor con pesos de mejora de banda estrecha; los demás no tienen checkpoint de 8 kHz. Es una afirmación sobre nuestro conjunto de prueba, a fecha 2026-08-14.