Español: cómo se comporta el reconocimiento en el teléfono

Que el español esté en la lista de 99 idiomas del motor es el dato más aburrido que se puede dar sobre el español. Cómo se convierte una grabación en texto, paso a paso, está en la guía de notas de voz. Esta página responde a la otra pregunta: cómo sale el español y en qué puntos no sale.

Un idioma, una veintena de países

El español no es un acento con variantes pequeñas alrededor. Entre el habla rioplatense, la caribeña, la andina, la mexicana y la peninsular hay más distancia que en casi cualquier otro idioma de la lista, y la pregunta real de quien llega a esta página no es si el español está cubierto, sino si el suyo lo está.

La respuesta empieza por cómo funciona el reconocimiento. El modelo no compara tu voz con la de un país: convierte sonido en la secuencia de palabras más probable, y cuanto menos se parece lo que oye a lo que ha oído más veces, más se apoya en el contexto de la frase para decidir. Eso no ordena las variedades de mejor a peor, y ese orden no está en esta página: no hemos medido la precisión del español de ningún país y no vamos a insinuar una clasificación que nadie ha calculado.

Lo que sí se puede describir es qué cambia en el audio. Con seseo, «casa» y «caza» suenan igual, así que la diferencia deja de estar en el sonido y pasa a decidirse por el resto de la frase. Con yeísmo pasa lo mismo entre «cayó» y «calló». No es un defecto de tu forma de hablar ni de la grabación – es información que el audio ya no lleva y que el modelo tiene que reponer con el contexto. Donde el contexto tampoco ayuda es donde aparece la palabra cambiada.

La salida, en cambio, es la misma en todas partes: el texto vuelve en ortografía estándar, porque esas diferencias de pronunciación no se escriben.

Voseo

«Vos tenés», «vení» y «sos» son formas verbales corrientes en buena parte de América, no una manera descuidada de hablar. Para el reconocimiento son, sencillamente, cadenas menos frecuentes que sus equivalentes de tuteo, y ese es todo el mecanismo que importa: con audio claro no cambia nada, y con audio dudoso la forma más común lleva ventaja al decidir.

Si dictas con voseo, esos son los verbos que conviene mirar antes de dar el texto por bueno. Es el mismo repaso que uno hace con los nombres propios, y por el mismo motivo.

El español se habla rápido

El español se pronuncia con una tasa silábica alta: caben más sílabas por segundo que en la mayoría de los idiomas con los que suele compararse. La velocidad es una variable real del reconocimiento, y no por una cuestión de esfuerzo, sino porque al encadenar palabras los límites entre ellas dejan de estar marcados en el audio y el modelo vuelve a depender del contexto para colocarlos.

Lo que ayuda no es subir la voz, sino bajar el ritmo justo donde el contexto no salva nada: nombres, apellidos, cifras, direcciones de correo. El resto de la frase se defiende sola.

Inglés dentro de la frase

El idioma se elige por grabación, no por frase. Para una oficina bilingüe, y para el español de Estados Unidos, donde alternar los dos idiomas dentro de una misma conversación es lo normal, eso tiene una consecuencia concreta: «te paso el feedback después del meeting» mezcla dos idiomas en una grabación declarada en español. Suele salir, pero es el punto donde se concentran los errores de un texto por lo demás limpio, junto con los nombres propios y los de producto.

Alternar idiomas se le da peor al reconocimiento que cualquiera de los dos idiomas por separado, y eso vale para cualquier sistema y no solo para este. Si la conversación entera va a ser en inglés, elige inglés. Para tres términos sueltos no compensa cambiar nada, salvo la expectativa.

Dictar y grabar una reunión son dos tareas

La diferencia entre una transcripción útil y una decepcionante casi nunca es el país de quien habla: es la distancia al micrófono. Treinta centímetros, una voz, una habitación tranquila: el extremo bueno de la escala. El teléfono en el atril, una sala de ocho metros, eco, y dos personas hablando a la vez: el otro. Entre esos dos extremos está casi toda la diferencia que solemos atribuirle al acento.

Hay separación de hablantes, y también se calcula en el teléfono. Aun así no sustituye a un micrófono cerca de quien habla: lo que no se grabó con claridad no hay reconocimiento que lo oiga después.

Un audio de chat, por cierto, es el caso fácil de esta escala, porque se grabó a un palmo de la boca. Los audios de WhatsApp siguen el mismo camino que tus propias grabaciones, vengan del país que vengan.

Idioma del motor e idioma de la app son dos números

Esta distinción está en todas las páginas de esta serie porque en todas partes se mezcla. El motor reconoce 99 idiomas. La interfaz de la app, es decir los botones, los menús y los ajustes, sale en 39 localizaciones del App Store, que son 33 idiomas contando las variantes regionales una sola vez.

El español está en los dos lados, y además es uno de los pocos idiomas que ocupa dos plazas en el recuento de localizaciones, porque la app se publica en dos variantes de español. Para la transcripción eso no cambia nada: el idioma de la grabación se elige en la lista de idiomas y no en el idioma de los botones.

Dónde están los límites

• La precisión no la hemos medido. Ni la del español en general ni la del habla de ningún país en concreto, así que aquí no hay porcentaje ni comparación entre variedades. En lugar de un número que nadie ha calculado hay una prueba: graba un minuto como grabas normalmente y mira el resultado.
• El audio difícil sigue siendo difícil. Varias voces a la vez, una sala ruidosa, el teléfono en el bolsillo de la chaqueta. Eso le estropea el reconocimiento a cualquier sistema, también a uno que calcule en la nube.
• El plan gratis transcribe los primeros 5 minutos de cada grabación. La grabación no se corta por eso: el audio sigue y espera. El número de grabaciones no tiene límite.
• La exportación a archivo en .md o .txt con marcas de tiempo es una función de Pro. Copiar el texto funciona en todos los planes.

Lo que cuesta

Pro cuesta 19,99 € al año o 39,99 € una vez. El reconocimiento se calcula en tu dispositivo, así que aquí nadie cuenta minutos.

Sigue por todos los idiomas que reconoce Kaseta, o mira por qué una sala sin cobertura no cambia nada.