2,4 % de tasa de error de palabra, y aún sin saber quién habló

A principios de junio, el equipo de AI Superintelligence de Microsoft lanzó MAI-Transcribe-1.5, y el modelo registró un 2,4 % de tasa de error de palabra en el ranking independiente de Artificial Analysis. Un solo modelo cubre 43 idiomas, aguanta acentos y salas ruidosas, y procesa una hora de audio en menos de quince segundos.

Ahora abra la documentación de Azure de Microsoft para ese mismo modelo. Entre las notas de uso hay una línea: «La diarización no está soportada».

La diarización es la parte que le dice quién estaba hablando. Es decir: el modelo de voz más comentado del año produce un muro de palabras casi impecable sin la menor idea de qué boca salió cada una. No es un descuido en las notas de la versión. Es una instantánea muy precisa de dónde está realmente esta industria. Oír está prácticamente resuelto. Y oír nunca fue la parte difícil de un acta de reunión.

Este artículo trata de la distancia entre una transcripción exacta y un acta que usted enviaría de verdad a su equipo: qué mide la tasa de error de palabra, qué no puede medir por construcción, y qué capas se apoyan sobre el reconocimiento de voz y deciden en silencio si una grabación acaba sirviendo para algo. Si alguna vez ha recibido una transcripción técnicamente impecable y prácticamente inútil, aquí está la explicación de esa sensación.

TL;DR:

• La tasa de error se ha amontonado cerca del suelo: los nueve mejores modelos del ranking independiente de Artificial Analysis están entre el 1,73 % y el 3,31 %, así que cambiar a un motor «más preciso» le ahorra unas decenas de palabras en una reunión de una hora.
• El WER pondera todas las palabras igual. Perder el «no» de una decisión cuesta el mismo 0,016 % que comerse un «eh» — la métrica no distingue una errata de un compromiso invertido.
• El trabajo que queda está por encima de la transcripción: atribución de hablantes, segmentación, depuración y resumen. La propia ficha del modelo de Microsoft es la prueba: precisión de primer nivel, sin diarización y sin streaming.

Imagen: Steve Knight, Rockfield Studios, Wikimedia Commons, CC BY 2.0.

Qué se siente realmente con un 2,4 % cuando es usted quien lee

La tasa de error de palabra es la cifra más antigua y más tosca del reconocimiento de voz, y precisamente porque se cita tanto conviene entenderla bien. Se toma lo que se dijo de verdad: la transcripción de referencia, hecha por personas. Se toma lo que escribió el modelo. Y se cuentan las palabras equivocadas en tres modalidades: sustituciones (escribe «demora» donde alguien dijo «demo»), eliminaciones (una palabra desaparece entera) e inserciones (se inventa una que nadie pronunció). Se suma todo, se divide entre el número de palabras de la referencia y eso es el WER. Cuanto más bajo, mejor.

Así que un 2,4 % significa aproximadamente una palabra equivocada de cada cuarenta y dos.

Llevémoslo a una reunión real. Una reunión de una hora en la que se habla de verdad unos cuarenta y cinco minutos, a un ritmo conversacional normal de unas 140 palabras por minuto, da alrededor de 6.300 palabras. Con un WER del 2,4 %, unas 150 están mal. Repartidas por la transcripción, son unos cuantos errores en cada pantalla.

Y aquí llega la pregunta que la métrica se niega a responder: ¿cuáles 150?

El WER da el mismo peso a todas las palabras del idioma. El artículo «el» y la negación «no» valen exactamente lo mismo. Piense en una transcripción que convierte «no vamos a lanzar en el tercer trimestre» en «vamos a lanzar en el tercer trimestre». Eso es una eliminación. Una palabra de 6.300, el 0,016 % de la transcripción, un error de redondeo frente a un presupuesto del 2,4 %. Y el acta registra ahora justo lo contrario de lo que decidió la sala.

La misma asimetría atraviesa nombres propios, códigos de producto y siglas internas: precisamente las palabras que más significado cargan por carácter y menos aparecen en los datos de entrenamiento. Una transcripción puede clavar 6.150 palabras de tejido conectivo y destrozar todos los nombres propios de la sala, y su WER seguirá pareciendo excelente. Cualquiera que haya releído la transcripción de su propia daily conoce la sensación: las palabras están bien y la reunión no aparece.

El ranking se ha amontonado cerca del suelo

Este es el punto que replantea la categoría entera. Consultamos el ranking de speech-to-text de Artificial Analysis el 4 de agosto de 2026: un benchmark independiente, no la ficha de un proveedor. Su índice AA-WER v2 es una media ponderada por duración de audio sobre unas ocho horas procedentes de tres conjuntos de datos: AA-AgentTalk (50 %), VoxPopuli-Cleaned-AA (25 %) y Earnings22-Cleaned-AA (25 %). La cabeza de la tabla queda así:

Fuente: ranking de speech-to-text de Artificial Analysis, consultado el 4 de agosto de 2026 (AA-WER v2, sin streaming).

Saltan dos cosas a la vista. Primera: el 2,4 % de Microsoft es real y está medido de forma independiente, pero es un tercer puesto, no el primero. La afirmación más fuerte —mejor precisión de su clase en FLEURS a lo largo de los 43 idiomas— la hace la propia Microsoft, así que conviene leerla como cifra de proveedor hasta que alguien de fuera la mida.

Segunda, y mucho más importante: nueve modelos apretados en una franja de 1,6 puntos. Volvamos a nuestra reunión de 6.300 palabras. El mejor modelo del ranking falla unas 109 palabras. El noveno, unas 209. Whisper Large v3 —la base abierta que muchísimos productos siguen ejecutando— falla unas 256.

Piense en lo que eso implica para una decisión de compra. Pasar de un motor de la zona media al líder le ahorra unas 100 palabras por hora. No es nada despreciable, y en transcripción médica o jurídica importa de verdad. Pero está lejísimos de la diferencia entre un acta en la que confía y un acta que reescribe desde cero. Cualquier motor serio supera ya el 96 % de precisión. La variable que decide si su acta sirve está en otra parte.

Las notas de versión de Microsoft son el documento más honesto de la categoría

Lo que nos devuelve a la línea del principio. La documentación de Azure Speech enumera con sobriedad las limitaciones de MAI-Transcribe: la diarización no está soportada, el ajuste por prompt no está soportado y el modelo funciona en vista previa pública a través de la API LLM Speech. La cobertura del lanzamiento añade que tampoco hay API de streaming nativa, lo que limita el uso en tiempo real.

Fíjese en la forma de todo esto. La compañía volcó una cantidad enorme de ingeniería en el problema de oír —43 idiomas frente a los 25 de la generación anterior, con 18 añadidos sin perder precisión— y lo publicó sin etiquetas de hablante y sin streaming. Que son exactamente las dos cosas que necesita una reunión en directo.

Nuestra lectura: esto no es un hueco en el producto de Microsoft, es una declaración sobre cómo se ha estratificado todo el campo. El reconocimiento hoy es un componente, no un producto. Se ha convertido en aquello que se compra, se mide y se sustituye, y el trabajo interesante se ha mudado a todo lo que lo envuelve.

El techo del taquígrafo

Este es el término que usamos internamente: el techo del taquígrafo. El punto a partir del cual oír mejor deja de ayudar, porque el trabajo restante ya no consiste en oír.

Un taquígrafo perfecto le entrega un registro perfecto de las palabras. No le dirá que los dos «sí, vale» salieron de personas distintas y significaban cosas distintas. No marcará dónde terminó un tema. No le avisará de que los veinte minutos sobre la mudanza de oficina no pintan nada en el acta. Sobre la transcripción viven cuatro capas diferenciadas, y cada una falla a su manera.

Atribución de hablantes, es decir, diarización. Es la maquinaria que parte un único flujo de audio en «hablante 1, hablante 2, hablante 3» y mantiene esas etiquetas estables durante una hora. Es un problema genuinamente distinto del reconocimiento, con sus propios modos de fallo: dos personas hablando encima, alguien que se incorpora a mitad, un mismo participante que suena distinto por manos libres que por auriculares. Y cuando falla, falla de forma destructiva. Una transcripción que atribuye un compromiso a la persona equivocada es peor que una que no se lo atribuye a nadie, porque quien la lea se lo creerá. Y esta es justamente la capacidad que el modelo mejor puntuado no incluye.

Segmentación. La salida bruta del reconocimiento es un río. El habla real no llega en frases: llega en reinicios, cláusulas que se apagan e interrupciones. El sistema tiene que decidir dónde cortan las frases, dónde acaba el turno de una persona y dónde cambió de tema la conversación. Si se equivoca, obtiene un párrafo técnicamente exacto que nadie va a leer, porque el ojo no encuentra dónde descansar. Si acierta, esas mismas palabras se vuelven ojeables. Ni un solo carácter de esa mejora aparece en el WER.

Depuración. Entre la transcripción bruta y el acta hay una pasada de limpieza: quitar muletillas y arranques fallidos, normalizar cifras y fechas, corregir la terminología que el modelo acústico no tenía forma de conocer. «Tercer trimestre» pasa a «T3». Un nombre en clave interno que salió como tres palabras corrientes plausibles vuelve a su sitio. Es la capa donde entra el conocimiento del dominio, y marca la diferencia entre un documento que se lee como un acta judicial y uno que se lee como apuntes.

Resumen. Por último, el juicio: qué partes de la hora fueron decisiones, cuáles preguntas abiertas, cuáles la asignación de trabajo a una persona concreta y cuáles los veinte minutos sobre el aparcamiento. Es la única capa que la mayoría de lectores consume de verdad, y depende por completo de las tres anteriores. Un resumidor que trabaja sobre una transcripción sin atribuir y sin segmentar está adivinando quién se comprometió a qué. Déle turnos de palabra limpios y dejará de adivinar.

La dependencia va en una sola dirección, y por eso la conversación sobre precisión despista tanto. Mejorar el WER del 2,4 % al 1,7 % mejora la entrada de una cadena de cuatro pasos que nunca ha sido medida.

El sesgo por palabras clave es el sector admitiéndolo en voz baja

Hay una función en el lanzamiento de MAI-Transcribe-1.5 que descubre todo el juego, y además es lo más útil de la presentación.

El modelo admite sesgo por palabras clave, también llamado sesgo de entidades: usted le pasa una lista de hasta 200 términos de dominio —nombres de asistentes, nombres de producto, siglas internas— y el modelo inclina sus predicciones hacia esa lista, usando el contexto circundante para decidir cuándo aplicar el sesgo en lugar de forzar coincidencias a ciegas. Microsoft informa de hasta un 30 % de reducción del WER en FLEURS cuando se usa. Su ejemplo publicado es muy concreto: sin lista de palabras clave, tres nombres salen como «Sean», «Oif» y «Societal». Con la lista, el modelo recupera «Shaun», «Aoife» y «Xochitl».

Mire de cerca qué ha pasado ahí. El audio no cambió. La acústica no mejoró. El modelo no oía peor antes: oía perfectamente y adivinaba mal, porque no sabía quién estaba en la sala. Entréguele la lista de asistentes y casi un tercio de los errores se evapora.

Ese es todo el argumento de este artículo, entregado como función de producto por el proveedor que tiene el modelo mejor puntuado. La mejora de precisión más eficaz del lanzamiento estrella del año funciona inyectando información que nunca estuvo en el audio. Lo que significa que la frontera que queda en transcripción no es acústica, sino contextual. Y el contexto es exactamente el material del que están hechas las capas por encima de la transcripción.

Mientras tanto, todo el mundo corre por capturar más audio

El mercado del hardware ha sacado la conclusión contraria, y merece la pena señalarlo. Las gafas GO3 de INMO, a 599 dólares, prometen traducción en tiempo real en más de 98 idiomas proyectada sobre la lente, además de grabación, transcripción y resumen automáticos de cada conversación y cada reunión, con ChatGPT y Gemini por detrás. Son afirmaciones del propio fabricante en su página de producto, y la ambición está clara: capturarlo todo, en todas partes, sin manos.

Pero capturar nunca fue el cuello de botella. Un móvil sobre la mesa lleva una década grabando reuniones lo bastante bien. Volver la captura más ambiental solo aumenta el volumen de audio que desemboca en exactamente la misma tubería sin resolver. Si acaso, agudiza el problema: un dispositivo que graba todas las conversaciones del día produce muchísimo más material al que hay que aplicarle la decisión de qué importa.

Qué probar en lugar de leer la cifra del WER

Si está evaluando una herramienta de transcripción o de actas, la cifra de precisión publicada no le va a separar a los candidatos, porque todos caben en un par de puntos. Tres pruebas sí lo harán.

Grabe una reunión real con al menos tres personas y un tramo con solapamiento auténtico de voces, y compruebe si las etiquetas de hablante se mantienen coherentes del minuto cinco al minuto cincuenta: ahí es donde la diarización se degrada sin hacer ruido. Después, coja una decisión enunciada en negativo («este trimestre no hacemos la migración») y búsquela en el resumen; un sistema que invierta o pierda negaciones se delatará justo ahí. Por último, compare el resumen con su propio recuerdo de la reunión y cuente dos cosas por separado: lo que incluyó y no importaba, y lo que se dejó y sí importaba. Ese segundo número no lo publica nadie, y es el que decide si dentro de tres meses seguirá usando la herramienta.

En conclusión

La tasa de error de palabra respondía a la pregunta «¿ha oído la máquina las palabras?», y el sector ya la ha respondido. Lo que ningún ranking ha respondido nunca es: «¿esto me dice qué se decidió en la reunión?».

Son dos preguntas distintas, y solo una fue alguna vez el objetivo. Una transcripción es un registro de sonido. Un acta es un registro de una decisión. La distancia entre ambas no se mide en puntos porcentuales, y no se cierra con un micrófono mejor ni con un WER más bajo. Se cierra con todo lo que se construye encima: saber quién habló, dónde terminó la idea, qué palabras eran ruido y cuáles tres frases de una hora fueron la razón por la que se convocó la reunión.

La transcripción nunca fue el entregable. Era la materia prima.

Así es exactamente como construimos Telli.sh: el reconocimiento de voz es un componente, y el trabajo que consideramos producto está por encima —separación de hablantes, segmentación, depuración y resúmenes que distinguen decisiones de charla, en 15 idiomas—. Si quiere ver la diferencia entre una transcripción y un acta con una reunión propia, grabe una y lea el resultado unos minutos después.

Empezar una nota de IA en directo

Fuentes

• MAI-Transcribe in Azure Speech (preview) — Microsoft Learn — la lista de limitaciones, incluida «la diarización no está soportada»
• Microsoft AI Introduces MAI-Transcribe-1.5 — MarkTechPost, 8 de junio de 2026
• Introducing MAI-Transcribe-1.5 — Microsoft AI
• Ranking de speech-to-text de Artificial Analysis — cifras AA-WER v2 consultadas el 4 de agosto de 2026
• Página de producto de INMO GO3 — afirmaciones del fabricante sobre funciones de traducción y transcripción
• Página de la imagen en Wikimedia Commons