Update Descripcion.txt

Descripcion.txt

@@ -1,39 +1,53 @@
-Problema, solución, input y output:
-===================================
-- Problema principal:
+# Problema, solución, input y output
+
+- *Problema principal*:
+
     La comunicación entre distintas lenguas es imprescindible en la actualidad, por ello surge una necesidad de contar con una herramienta que permita la traducir contenido, en este caso, del inglés a otros idiomas ampliamente utilizados. Este sistema está en la integración de tecnologías de reconocimiento de voz, también conocido como ASR (Automatic Speech Recognition) y procesamiento de lenguaje natural para facilitar la traducción.
   
-- Solución:
+- *Solución*:
+
     Consiste en desarrollar un sistema que procese audios en formatos comunes, como .mp3 o .wav, transcriba automáticamente el contenido previamente grabado en inglés y proporcione su traducción al idioma seleccionado. Aprovechando modelos de IA como Whisper y MBart, adaptadas al contexto del mensaje.
   
-- Especificaciones:
+- *Especificaciones*:
+
     Input: Un archivo de audio en formato compatible (MP3, WAV, etc.), cargado o grabado directamente por el usuario.
     Output: Una transcripción del audio en texto traducido al idioma seleccionado (español, alemán, ruso o francés).
     Además de responder a la necesidad de superar barreras a nivel de idiomas, también ofrece una experiencia intuitiva.
 
-Descripción de los modelos, clasificación y limitaciones:
-=========================================================
-Modelos utilizados.
-- Whisper: 
-  *Descripción: Modelo de transcripción de audio desarrollado por OpenAI. Tiene como objetivo pasar audios a texto. Basado en Transformer y entrenado con un conjunto grande de datos de muchos idiomas distintos, lo que permite tareas relacionadas con el ASR.
+# Descripción de los modelos, clasificación y limitaciones
+
+## Modelos utilizados
+### Whisper:
+   **Descripción**: Modelo de transcripción de audio desarrollado por OpenAI. Tiene como objetivo pasar audios a texto. Basado en Transformer y entrenado con un conjunto grande de datos de muchos idiomas distintos, lo que permite tareas relacionadas con el ASR.
   
-  *Clasificacion: 
-    Tipo de tarea -> ASR.
-    Modelo preentrenado -> preentrenado en datos multilingües y ajustable para tareas específicas.
-    Dominio de uso -> Procesamiento de Lenguaje Natural y Reconocimiento de Voz	
+   **Clasificación**: 
+   
+- Tipo de tarea -> ASR
+    
+- Modelo preentrenado -> preentrenado en datos multilingües y ajustable para tareas específicas
+    
+- Dominio de uso -> Procesamiento de Lenguaje Natural y Reconocimiento de Voz	
+    
   
-- MBart:
-  *Descripción: Otro modelo multilingüe basado en Transformer. Útil para la traducción automática y demás tareas de generación de texto en múltiples idiomas. Preentrenado en tareas de reducción de ruido y puede ser ajustado para traducir específicamente entre dos pares de idiomas.
+### MBart:
+   **Descripción**: Otro modelo multilingüe basado en Transformer. Útil para la traducción automática y demás tareas de generación de texto en múltiples idiomas. Preentrenado en tareas de reducción de ruido y puede ser ajustado para traducir específicamente entre dos pares de idiomas.
   
-  *Clasificación:
-    Tipo de tarea -> Traducción automática y generación de texto.
-    Modelo preentrenado -> preentrenado en tareas de múltiples idiomas y ajustable para traducción específica.
-    Dominio de uso -> Procesamiento de lenguaje natural y traducción.
+   **Clasificación**:
+   
+- Tipo de tarea -> Traducción automática y generación de texto
+ 
+- Modelo preentrenado -> preentrenado en tareas de múltiples idiomas y ajustable para traducción específica
   
-- Sinergia para estos dos modelos:
-    Tomamos como base que Whisper lo usamos para convertir un archivo de audio a texto en inglés, y MBart toma el texto transcrito, el cual lo traduce a otro idioma seleccionado previamente.
+- Dominio de uso -> Procesamiento de lenguaje natural y traducción
   
-- Posibles limitaciones generales:
-  1.La precisión general dependerá tanto de la calidad de la transcripción como de la traducción. A la hora de la traducción, puede llegar errónea por culpa de la transcripción.
+### Sinergia para estos dos modelos:
+    Tomamos como base que Whisper lo usamos para convertir un archivo de audio a texto en inglés,
+    y MBart toma el texto transcrito, el cual lo traduce a otro idioma seleccionado previamente
+  
+**Posibles limitaciones generales**
+
+  1.La precisión general dependerá tanto de la calidad de la transcripción como de la traducción. A la hora de la traducción, puede llegar errónea por culpa de la transcripción
+
   2.Los recursos necesarios aumentan significativamente cuando ambos modelos se usan en tiempo real
-  3.Existe la posibilidad de incompatibilidades lingüisticas o culturales cuando se precise de traducir frases, dichos o expresiones que no tienen un significado directo en otro idioma.
+  
+  3.Existe la posibilidad de incompatibilidades lingüisticas o culturales cuando se precise de traducir frases, dichos o expresiones que no tienen un significado directo en otro idioma