Acentos y reconocimiento de voz: lo que la investigación mide realmente y qué prever al teléfono

Allison Koenecke y sus coautores sometieron a cinco sistemas de reconocimiento de voz, desarrollados por Amazon, Apple, Google, IBM y Microsoft, entrevistas realizadas a 42 hablantes blancos y 73 hablantes negros. El corpus abarca cinco ciudades o localidades de Estados Unidos y suma 19,8 horas de audio, emparejadas según la edad y el sexo de los hablantes. Las grabaciones proceden de dos corpus sociolingüísticos: CORAAL, dedicado al inglés afroamericano, y Voices of California.

El indicador utilizado es la tasa de error de palabras: el número de palabras sustituidas, suprimidas o añadidas por la máquina, dividido por el número de palabras de la transcripción humana de referencia. Resultado: los cinco sistemas presentan diferencias importantes, con una tasa de error media de 0,35 para los hablantes negros frente a 0,19 para los hablantes blancos.

Los autores atribuyen la diferencia a los modelos acústicos, es decir, a la parte del sistema que asocia los sonidos con las palabras: la diferencia sigue siendo igual de grande en un subconjunto de frases idénticas pronunciadas por hablantes negros y blancos. Recomiendan datos de entrenamiento más diversos, que incluyan el inglés vernáculo afroamericano, y sugieren que otras variedades del inglés, entre ellas los acentos regionales y no nativos, podrían sufrir dificultades comparables. Es una hipótesis, no una medición.

El ámbito debe citarse con exactitud: inglés estadounidense, sistemas comerciales tal como existían en el momento del estudio, entrevistas grabadas entre 2004 y 2017. El estudio no dice nada de las versiones actuales de esos sistemas ni del francés. En cambio, muestra que un sistema puede presentar un buen rendimiento global y, a la vez, atender peor a una parte de sus usuarios.

Los trabajos que hemos encontrado se refieren a variedades distintas de los acentos de la Francia metropolitana. En 2023, Lucas Maison y Yannick Estève utilizaron grabaciones que representan cuatro acentos del francés para ajustar modelos de reconocimiento: al mezclar varios acentos en el entrenamiento, reducen los errores hasta un 25 % en valor relativo en los acentos africanos y belgas en comparación con un entrenamiento en un solo dominio, sin dejar de obtener un buen rendimiento en el francés estándar. Su punto de partida es explícito: los sistemas siguen siendo poco robustos frente a las variaciones de acento.

En Quebec, el corpus CEREALES, presentado en la conferencia Interspeech 2025, reúne más de 600 horas de habla espontánea quebequense grabada durante una comisión de investigación, para paliar la falta de datos con acento. Otro equipo comparó grandes modelos multilingües en conversaciones quebequenses: según sus autores, los resultados publicados en bancos de pruebas conocidos como FLEURS o Common Voice no predicen bien el rendimiento que observan en su corpus de conversaciones grabadas durante comisiones de investigación quebequenses.

Para los acentos regionales de la Francia metropolitana, no habíamos encontrado, en el momento de redactar este artículo, ninguna medición pública comparable. Desconfíe, por tanto, de cualquier cifra que se presente sin método.

Una palabra mal reconocida en mitad de una frase a menudo se recupera gracias al contexto. Un apellido, un número de teléfono, el nombre de una calle o de un paraje se adivinan con mucha más dificultad: y es precisamente la información que necesitará para devolver la llamada. Las limitaciones propias de la línea telefónica, ya detalladas en nuestro artículo sobre el reconocimiento de voz, se suman a la variedad de acentos.

Tres gestos reducen el riesgo, tanto si atiende una persona como un agente automatizado. Reformular la información clave antes de colgar: el nombre, el número, la dirección. Pedir que se deletreen los nombres propios y confirmar los números cifra a cifra. Y, cuando la conversación se atasca, ofrecer un relevo en lugar de hacer que quien llama repita una y otra vez: toma de mensaje completa o transferencia a una persona.

Después, relea las transcripciones de sus llamadas para detectar los errores recurrentes, por ejemplo el nombre de un municipio vecino sistemáticamente deformado, y decida qué consigna aplicar: reformulación sistemática, petición de deletreo, transferencia.

Después, haga pruebas en sus propias condiciones: pida a familiares o compañeros con acentos distintos que llamen, desde un móvil, en un entorno ruidoso, con nombres propios de su zona, y compare lo que dijeron con lo que se anotó.

Alyas responde a partir de la información que usted le proporciona, anuncia al inicio de la llamada que es una IA y que la llamada se graba, transfiere la llamada a su número si quien llama lo pide, y deja una transcripción y un resumen de cada llamada en su espacio Alyas. La prueba gratuita de 10 días, sin tarjeta bancaria, sirve precisamente para comprobar cómo entiende a quienes le llaman.