Transcribir grabaciones en otros idiomas: qué hacen bien los modelos y dónde tropiezan
19 de octubre de 2026 · 7 min de lectura
Árabe, turco, chino, polaco: los modelos actuales reconocen unos 100 idiomas. Pero los dialectos, las lenguas tonales, los idiomas emparentados y los cambios de idioma a mitad de frase ponen a prueba cualquier reconocimiento.
Quien estudia, investiga o trabaja en un entorno internacional acaba teniendo grabaciones en más de un idioma: una entrevista en turco, una grabación familiar en árabe, una charla en inglés, una reunión donde se mezclan polaco y alemán. El reconocimiento de voz moderno lo resuelve sorprendentemente bien, si se conocen sus puntos débiles.
¿Cuántos idiomas reconocen los modelos?
Whisper, de OpenAI, se entrenó con 99 idiomas; Sprechverlauf usa la variante rápida Whisper Large v3 Turbo en la prueba gratuita. Microsoft MAI-Transcribe-2, el modelo de los planes de pago, admite 60 idiomas según su ficha técnica y además separa a los hablantes. Microsoft indica una tasa media de error por palabra del 5,2 % en el benchmark FLEURS. Es una media: los idiomas grandes con muchos datos salen mejor, los menos frecuentes peor.
Tropiezo 1: idiomas emparentados
Croata, serbio y bosnio; hindi y urdu; malayo e indonesio: suenan tan parecidos que la detección automática puede fallar en grabaciones cortas. Una entrevista en serbio puede salir con ortografía croata, o el urdu en devanagari en lugar de escritura árabe. La solución es sencilla: seleccione el idioma antes de empezar.
Tropiezo 2: dialectos y registro coloquial
El árabe es el ejemplo más claro: el egipcio, el levantino y el marroquí difieren mucho, pero por escrito se usa sobre todo el árabe estándar. Los modelos tienden a llevar el dialecto hacia la lengua estándar o a entender mal palabras regionales. Lo mismo ocurre, en menor medida, con el español de distintas regiones, el portugués de Brasil o el cantonés.
Tropiezo 3: lenguas tonales y escrituras sin espacios
En chino, vietnamita o tailandés, el tono cambia el significado de una sílaba. El eco, la música y la compresión fuerte difuminan justo esa información; aquí una grabación limpia cuenta el doble. El chino, el japonés y el tailandés tampoco separan las palabras con espacios, así que el modelo decide los límites. Revise bien nombres y términos técnicos.
Tropiezo 4: cambiar de idioma en la conversación
En muchas familias y equipos se cambia de idioma a mitad de frase. Si fija un idioma, obliga al modelo a escribirlo todo en él. En grabaciones mixtas es mejor dejarlo en «automático»; según Microsoft, MAI-Transcribe-2 está pensado para este cambio de código.
En resumen
- Un solo idioma: selecciónelo antes, sobre todo en grabaciones cortas e idiomas emparentados.
- Varios idiomas en una conversación: déjelo en «automático».
- Dialecto: cuente con desviaciones y revise las citas en su marca de tiempo.
- Lenguas tonales: grabe con limpieza, sin música de fondo.