¿Qué tan precisa es la transcripción con IA por idioma? Benchmarks WER por lengua (2026)
La precisión de la transcripción con IA cambia muchísimo según el idioma. Recopilamos tasas de error de palabra por idioma del benchmark FLEURS del paper de Whisper: qué lenguas están cerca del nivel humano, cuáles necesitan edición y cuáles los modelos generales prácticamente no pueden transcribir.
La precisión de la transcripción varía de forma drástica según el idioma. En el benchmark FLEURS, Whisper de OpenAI alcanza tasas de error de palabra de alrededor del 3-5 % en inglés, español, italiano y alemán; cifras de un solo dígito alto en lenguas de recursos medios como neerlandés, turco y vietnamita; y más del 75 % en muchas lenguas con pocos recursos, como amárico, yoruba y birmano, donde un modelo general prácticamente no puede producir texto utilizable. La diferencia se explica por el volumen de datos de entrenamiento, la complejidad fonética y el sistema de escritura.
Esta guía presenta WER por idioma recopilados a partir de los resultados FLEURS publicados en el paper de Whisper (OpenAI, 2022), organizados por niveles de precisión. Si estás evaluando transcripción para un idioma concreto, o te preguntas por qué tu audio en alemán se transcribe casi perfecto pero tu audio en tailandés no, los datos de abajo explican la brecha.
Qué son estos números (y qué no son). Todas las cifras siguientes son WER de Whisper large-v2 en el benchmark FLEURS, tomadas del Apéndice D.2.4 del paper de Whisper: la tabla de WER por idioma más completa publicada por un laboratorio grande. Es un modelo en un benchmark de habla leída, no una prueba en vivo ejecutada por nosotros. Trátalo como una línea base comparable, no como el mejor caso actual: sistemas más recientes (Whisper large-v3, NVIDIA Canary y proveedores especializados por idioma) obtienen resultados materialmente mejores en muchas lenguas difíciles; por ejemplo, large-v3 reduce el maltés de ~77 % WER a aproximadamente 26 % de tasa de error de caracteres. Para chino, japonés, tailandés, lao y birmano, el paper de Whisper inserta espacios entre caracteres y reporta tasa de error de caracteres (CER), así que esas cifras ya son de nivel carácter, no WER a nivel palabra. El coreano usa espaciado normal entre palabras, por lo que su cifra sí es WER real (inflada por las convenciones de espaciado del coreano).
Resumen: niveles de precisión de un vistazo
| Nivel | Rango WER | Idiomas (representativos) | Qué esperar |
|---|---|---|---|
| Nivel 1 | menos de ~6 % WER | Inglés, español, italiano, alemán, japonés (CER), polaco, ruso | Precisión casi humana en audio limpio |
| Nivel 2 | ~6-11 % WER | Neerlandés, indonesio, catalán, francés, turco, sueco, malayo, vietnamita | Calidad de producción, con ediciones menores |
| Nivel 3 | ~11-16 % WER | Tailandés, griego, checo, croata, danés, coreano, rumano, mandarín (CER), árabe | Utilizable, pero requiere limpieza manual relevante |
| Nivel 4 | ~16-40 % WER | Tamil, hindi, urdu, hebreo, serbio, kannada, maratí, suajili | Calidad de borrador; revisión humana necesaria |
| Nivel 5 | ~45 % a >100 % WER | Nepalí, maltés, yoruba, jemer, lao, bengalí, birmano, amárico | Los modelos generales como Whisper fallan en la práctica; se requieren modelos especializados |
Las cifras son WER de Whisper large-v2 en FLEURS (OpenAI, 2022). Consulta las tablas por nivel para ver los valores exactos y las advertencias anteriores.
Cómo se miden los benchmarks WER
Entender qué prueba cada benchmark evita el error común de comparar una puntuación de laboratorio con el rendimiento en audio real.
LibriSpeech (solo inglés) usa grabaciones limpias de audiolibros. Es el benchmark común más fácil, por lo que sus números representan el piso de lo que un modelo puede lograr en condiciones ideales: el WER de última generación en inglés para LibriSpeech test-clean ronda el 1,4-2,7 %.
FLEURS (Few-shot Learning Evaluation of Universal Representations of Speech) cubre 102 idiomas con unas 12 horas de habla por idioma y usa las mismas frases en todos ellos (traducciones de contenido de Wikipedia/FLoRes), lo que hace significativa la comparación entre lenguas. Es el benchmark multilingüe más citado y la fuente de los números por idioma de esta guía.
Common Voice (Mozilla) contiene grabaciones colaborativas en más de 100 idiomas. Como los hablantes no son profesionales y graban en entornos variados, el WER de Common Voice suele ser más alto que FLEURS para el mismo idioma y modelo.
El audio real, con acentos, voces superpuestas, ruido de fondo y equipos imperfectos, añade aproximadamente 5-15 puntos WER sobre estos números de benchmark. Un modelo que reporta 5 % en FLEURS puede entregar 10-15 % en una grabación típica de Zoom.
Nivel 1: precisión muy alta (menos de ~6 % WER)
Estos idiomas tienen los corpus de entrenamiento más grandes y reciben más atención de los desarrolladores de modelos. En audio limpio, puedes esperar transcripciones listas para producción con edición mínima.
| Idioma | Whisper large-v2 FLEURS WER | Notas |
|---|---|---|
| Español | 3,0 % | Entre los resultados más fuertes de cualquier benchmark |
| Italiano | 4,0 % | Una de las lenguas europeas mejor cubiertas |
| Inglés | 4,2 % | Idioma de referencia; la mayoría de benchmarks se centran aquí |
| Alemán | 4,5 % | Fuerte en alemán estándar; los dialectos suizo y austríaco degradan |
| Japonés | 5,3 % (CER) | Whisper mide el japonés a nivel carácter; la calidad de frase es excelente |
| Polaco | 5,4 % | Excepcionalmente fuerte para una lengua eslava |
| Ruso | 5,6 % | Bueno en ruso estándar; los acentos regionales degradan |
Si transcribes cualquiera de estos idiomas con audio limpio, el modelo importa menos que la calidad del audio que le entregas.
Nivel 2: precisión alta (~6-11 % WER)
Hay datos de entrenamiento significativos, pero con menos volumen que en el Nivel 1 o con más complejidad fonética. La mayoría de casos de producción funcionan bien; espera corregir de vez en cuando nombres propios y términos técnicos.
| Idioma | Whisper large-v2 FLEURS WER | Notas |
|---|---|---|
| Neerlandés | 6,7 % | Se beneficia de su cercanía con datos en alemán e inglés |
| Indonesio | 7,1 % | Fuerte para su nivel de recursos |
| Catalán | 7,3 % | Rinde por encima de su número de hablantes gracias a datasets dedicados |
| Francés | 8,3 % | El francés europeo domina los datos de entrenamiento |
| Turco | 8,4 % | La morfología aglutinante añade complejidad |
| Sueco | 8,5 % | Los corpus nórdicos están bien curados |
| Ucraniano | 8,6 % | Mejoró sustancialmente después de 2022 al crecer los datasets |
| Malayo | 8,7 % | Comparte rasgos con el indonesio |
| Vietnamita | 10,3 % | Tonal; los errores de tono son el principal modo de fallo |
Nivel 3: precisión media (~11-16 % WER)
Aquí la transcripción con IA empieza a verse claramente imperfecta. Las transcripciones sirven como primer borrador, pero tendrás que corregir varios errores por minuto, sobre todo en entidades con nombre y números.
| Idioma | Whisper large-v2 FLEURS WER | Notas |
|---|---|---|
| Tailandés | 11,5 % (CER) | Medido a nivel carácter en el paper de Whisper, porque no hay espacios entre palabras |
| Griego | 12,5 % | Corpus de entrenamiento más pequeño que otras lenguas europeas |
| Checo | 13,3 % | Sólido pese a su morfología compleja |
| Croata | 13,4 % | Los rasgos compartidos con lenguas eslavas del sur ayudan |
| Danés | 13,8 % | Fonética difícil, pero bien representado |
| Rumano | 14,4 % | Mejora a medida que crecen los datasets |
| Búlgaro | 14,6 % | Lengua eslava de recursos medios |
| Coreano | 14,3 % | El espaciado por palabras infla el WER coreano; la precisión a nivel carácter es materialmente mejor, pero el paper no publica CER para coreano |
| Mandarín | 14,7 % (CER) | Nivel carácter; más alto de lo que su reputación sugiere en habla leída FLEURS |
| Árabe | 16,0 % | Árabe estándar moderno; los dialectos egipcio, levantino y del Golfo son mucho más difíciles |
La cifra del mandarín sorprende a mucha gente: en audio limpio y dentro de dominio, muchas herramientas lo hacen mejor, pero en la medida estandarizada de FLEURS a nivel carácter, Whisper large-v2 cae en la mitad de la decena. Los modelos más nuevos reducen esa brecha.
Nivel 4: precisión baja (~16-40 % WER)
Estos idiomas suelen tener cientos de millones de hablantes, pero pocos datos etiquetados para entrenamiento. El resultado es un borrador que requiere revisión humana sustancial.
| Idioma | Whisper large-v2 FLEURS WER | Notas |
|---|---|---|
| Tamil | 17,5 % | Lengua dravídica con morfología compleja |
| Hindi | 21,5 % | Alta variación por acentos y code-switching con inglés |
| Urdu | 22,6 % | Relacionado con el hindi, pero escrito en alfabeto persoárabe |
| Hebreo | 27,1 % | Escritura de derecha a izquierda, morfología rica |
| Serbio | 33,9 % | Marcadamente más difícil que lenguas eslavas vecinas en FLEURS |
| Kannada | 37,0 % | Familia dravídica, infrarrepresentada |
| Maratí | 38,3 % | Indoario, recursos moderados |
| Suajili | 39,3 % | Lengua franca de África Oriental; el dataset está creciendo |
Para el Nivel 4, los flujos híbridos suelen dar el mejor rendimiento: la IA produce el primer borrador y un editor nativo lo limpia.
Nivel 5: donde los modelos generales fallan en la práctica (~45 % a >100 % WER)
Este es el nivel en el que las cifras amistosas de "~40-50 %" que ves en otros sitios se quedan muy cortas. En FLEURS, Whisper large-v2 no produce un borrador tosco pero utilizable para estos idiomas: produce WER igual o superior al 75 %, a menudo por encima del 100 %, lo que significa más errores que palabras. Sin especialización, son prácticamente intranscribibles para un modelo general.
| Idioma | Whisper large-v2 FLEURS WER | Notas |
|---|---|---|
| Nepalí | 47,1 % | Límite; requiere revisión intensa |
| Maltés | 76,6 % | large-v3 lo mejora de forma drástica (~26 % CER) |
| Yoruba | 94,8 % | Tonal; large-v3 alcanza ~49 % CER, todavía difícil |
| Jemer | 99,7 % | Whisper large-v2 produce poco texto utilizable |
| Lao | 101,5 % | Prácticamente intranscribible con large-v2 |
| Bengalí | 104,1 % | Enorme base de hablantes, pero Whisper large-v2 falla; large-v3 CER ~34 % |
| Birmano | 115,7 % | Prácticamente intranscribible con large-v2 |
| Amárico | 140,3 % | Más errores que palabras; necesita un modelo especializado |
Aquí importan dos cosas. Primero, los modelos más nuevos y especializados cierran buena parte de la brecha: Whisper large-v3 y los proveedores que ajustan con datos específicos por idioma pueden convertir un resultado inutilizable de large-v2 en un borrador editable (maltés y bengalí son buenos ejemplos). Segundo, el cingalés no aparece en la evaluación FLEURS de Whisper, así que cualquier cifra concreta de "WER para cingalés" atribuida a Whisper no está respaldada por este benchmark; trátalo como un idioma no probado aquí.
Qué impulsa la brecha de precisión
El volumen de datos de entrenamiento es el predictor individual más fuerte. Whisper se entrenó con 680.000 horas de audio, la mayoría en inglés; las lenguas con más recursos reciben decenas de miles de horas, y las de menos recursos solo unos cientos. Más datos reducen el WER de forma marcada, con rendimientos decrecientes cuando una lengua ya está bien cubierta.
La complejidad fonética y del sistema de escritura crea techos incluso con datos. Las lenguas tonales (mandarín, vietnamita, tailandés, yoruba) obligan al modelo a distinguir palabras parecidas por el tono. Las lenguas aglutinantes (turco, finés, suajili) construyen palabras largas con muchos morfemas, lo que interactúa mal con la tokenización. Los sistemas logográficos o sin espacios (chino, japonés, tailandés) desplazan la métrica justa de WER a tasa de error de caracteres.
La coincidencia con el dominio de audio importa tanto como el idioma. Un modelo entrenado sobre todo en audio leído rinde peor en conversación espontánea del mismo idioma; por eso las cifras FLEURS de habla leída son un piso, no una promesa para tus grabaciones de reuniones.
Cómo mejorar la precisión en idiomas más difíciles
Mejora primero el audio. La reducción de ruido, el aislamiento de hablantes y niveles consistentes pueden recortar varios puntos WER en audio real; nuestra guía sobre audio con ruido cubre las mejoras más rápidas.
Aporta contexto de dominio. Muchas APIs de transcripción aceptan una lista de nombres propios, términos técnicos o frases probables; los vocabularios sesgados reducen errores de sustitución en jerga y entidades con nombre.
Elige el modelo adecuado por idioma. Whisper lidera en algunas lenguas, NVIDIA Canary o proveedores especializados en otras (en especial japonés, coreano y árabe). Si un idioma es crítico para tu flujo de trabajo, probar 2-3 proveedores con una muestra representativa vale la hora.
Usa un editor humano para el tramo final. Para el Nivel 3 y por debajo, un editor nativo revisando un borrador de IA suele ser varias veces más rápido que transcribir desde cero y deja la precisión final por encima del 98 %.
Herramientas como Vocova transcriben en más de 100 idiomas con detección automática de idioma, así que no necesitas etiquetar los archivos de antemano; aun así, como muestran los datos anteriores, la precisión realista sigue dependiendo del idioma con el que trabajes.
Preguntas frecuentes
¿Qué idioma tiene la transcripción con IA más precisa?
Inglés, español, italiano y alemán lideran en el benchmark FLEURS, con aproximadamente 3-5 % de WER de Whisper en habla leída limpia; el japonés queda cerca si se mide por tasa de error de caracteres. En audio espontáneo del mundo real, añade 5-15 puntos a cualquiera de esos valores.
¿Qué tan preciso es Whisper entre idiomas?
En FLEURS, Whisper large-v2 queda por debajo de ~10 % WER para la mayoría de idiomas de los Niveles 1-2 de esta guía, en la franja de decenas bajas a treintas para los Niveles 3-4, y por encima del 75 % para un grupo de lenguas con pocos recursos (amárico, yoruba, jemer, lao, birmano, bengalí) donde prácticamente no puede transcribir. El large-v3 más nuevo mejora mucho los casos más difíciles, pero no se ha publicado una tabla exacta de WER por idioma para large-v3.
¿Qué WER se considera "bueno"?
Para la mayoría de usos empresariales, un WER inferior al 10 % produce una transcripción más rápida de leer y editar que el propio audio; por debajo del 5 % está cerca del nivel humano. Por encima del 20 % requiere corrección manual importante antes de poder usarse como texto publicado. Consulta tasa de error de palabras (WER) para ver cómo se calcula la métrica.
¿Por qué mi transcripción en alemán es más precisa que la de tailandés?
El alemán es una lengua de altos recursos (~4,5 % WER en FLEURS), con muchos datos y rasgos compartidos con el inglés. El tailandés es tonal y se escribe sin espacios entre palabras, con menos datos etiquetados; su WER ronda el 11-12 %, y la métrica justa es la tasa de error de caracteres. Incluso los mejores modelos mantienen una brecha relevante entre ambos.
¿Los benchmarks FLEURS son comparables con audio real?
No directamente. FLEURS es limpio, leído en lugar de espontáneo y grabado profesionalmente. El audio real (reuniones, llamadas, entrevistas) suele producir 5-15 puntos WER más que FLEURS para el mismo idioma y modelo, así que usa estos números para comparar idiomas, no para predecir tu resultado exacto.
Resumen
La precisión de la transcripción con IA en 2026 depende del idioma, la calidad del audio y el ajuste entre modelo y tarea. En la línea base Whisper FLEURS, los idiomas del Nivel 1 alcanzan precisión casi humana con audio limpio; el Nivel 3 necesita edición; y un grupo de lenguas con pocos recursos es prácticamente intranscribible para modelos generales sin especialización, bastante más difícil de lo que sugieren las cifras amables de dos dígitos que se citan a menudo. Los modelos más nuevos y específicos por idioma reducen estas brechas, sobre todo en el extremo difícil.
Si estás eligiendo una canalización de transcripción, lo más útil es probar tu idioma y dominio de audio concretos con 2-3 muestras representativas. Los benchmarks ordenan idiomas; no predicen tu resultado exacto.
Fuentes y lecturas adicionales
- OpenAI, "Robust Speech Recognition via Large-Scale Weak Supervision" (paper de Whisper, 2022) - WER FLEURS por idioma, Apéndice D.2.4 / Tabla 13
- Conneau et al., "FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech" (2022)
- FLEURS-SLU (2025) - CER por idioma de Whisper large-v3, usada aquí para las advertencias sobre lenguas con pocos recursos
- Mozilla Common Voice datasets
- tasa de error de palabras (WER)
- Cómo transcribir audio en varios idiomas
