Por qué Siri y Alexa no entienden tu acento en inglés (y qué ayuda)
Siri, Alexa y el dictado por voz fallan más con inglés acentuado que con nativos. Por qué pasa, qué sonidos causan más errores y qué practicar de verdad.
Respuesta directa
Los asistentes de voz no fallan contigo por capricho: se entrenaron sobre todo con inglés nativo, mucho de él estadounidense, así que el habla acentuada cae fuera de los patrones sonoros que el modelo espera. En pruebas controladas recogidas por The Washington Post, los altavoces inteligentes de Google y Amazon acertaban un 30% menos con acentos no estadounidenses que con hablantes nativos.
Eso no es motivo para rendirte con que te entienda una máquina, ni una persona. Los sonidos que confunden a un modelo de reconocimiento de voz suelen ser los mismos que hacen que un oyente humano dude o te pida que repitas. Trabajarlos compensa por partida doble.
Por qué Siri y Alexa entienden mal el inglés acentuado
El reconocimiento de voz —Siri, Google Assistant, Alexa o el teclado de dictado del móvil— funciona comparando el sonido de tu voz con patrones aprendidos de enormes cantidades de audio de entrenamiento. La mayor parte de ese audio es inglés nativo, y buena parte, específicamente estadounidense. El modelo construye una especie de mapa interno de qué sonido es cuál: dónde termina una “t” y empieza una “d”, cuánto tiene que durar una vocal para contar como “larga”, cómo suena un límite de palabra en habla rápida.
El habla no nativa no encaja limpiamente en ese mapa. Una vocal algo más corta de lo esperado, una consonante final suavizada o directamente omitida, o un sonido producido con otra posición de la lengua puede caer en la región equivocada del mapa. El sistema no está siendo injusto a propósito: aplica estadística aprendida de un conjunto de entrenamiento que no incluyó suficiente habla como la tuya.
La evidencia publicada más clara de ese mecanismo no viene del habla no nativa en absoluto. Un estudio de Stanford publicado en PNAS probó cinco sistemas de reconocimiento de voz importantes y encontró una tasa media de error por palabra de en torno al 35% con hablantes negros de inglés afroamericano, frente a un 19% con hablantes blancos de las mismas zonas — aproximadamente el doble de errores, y los dos grupos hablantes nativos de inglés. La lección no es que el problema sea no ser nativo. Es que cualquier variedad poco representada en el audio de entrenamiento recibe peor precisión, y el inglés no nativo está muy poco representado.
Los sonidos concretos que más fallan
Unos pocos contrastes aparecen una y otra vez en los errores de transcripción relacionados con el acento:
- La /θ/ de think: think, three y through se transcriben a menudo como sink, tree y threw, porque /θ/ es un sonido raro entre los idiomas del mundo y se sustituye por /t/, /s/ o /d/.
- Consonantes finales: los sonidos al final de palabra, como la /t/ de want o la /d/ de called, se suavizan o se omiten en muchos acentos. El dictado se apoya mucho en ese sonido final para elegir la palabra correcta, así que want puede convertirse en won, y worked en walk.
- La /ɪ/ corta de ship frente a la /iː/ larga de sheep: la diferencia de duración entre ship y sheep, o entre live y leave, es pequeña pero decisiva. Los modelos de voz se apoyan en ella para separar palabras casi idénticas, igual que los oyentes humanos — es el mismo contraste detrás de los clásicos pares mínimos.
- La /ɹ/ de red: la mayoría del reconocimiento de voz en inglés se entrena con variedades róticas (que pronuncian la R). Una R producida con vibrante, con golpe de lengua, o con otra forma, puede leerse como otro sonido, o desaparecer directamente de la transcripción.
Ninguno de estos es un sonido exótico. Son partes ordinarias y muy frecuentes del inglés que, por casualidad, caen cerca de una frontera de decisión que el modelo tiene que trazar en algún sitio.
Arreglos rápidos para el momento en que falla
Cuando un asistente de voz o el dictado te entiende mal ahora mismo, unos pocos hábitos ayudan más que repetir la misma frase más alto:
- Aísla la palabra que falló. Dila sola, y luego reconstruye la frase alrededor de ella. Una palabra sola y clara es más fácil de captar, tanto para el software como para una persona, que una frase rápida y encadenada.
- Dale a la consonante final todo su valor. Alarga ligeramente el sonido final de la palabra clave —want con la /t/ liberada, called con la /d/ clara— en vez de acelerar sobre ella.
- Añade una pausa corta antes de la palabra que importa, no antes de cada palabra. Una frase acelerada sin pausas internas es más difícil de segmentar bien, tanto para un modelo como para una persona.
- Reformula en vez de repetir. Si una palabra concreta falla una y otra vez, un sinónimo que evite ese sonido suele ser más rápido que pelear cinco veces con la misma palabra.
- Mira la transcripción, no solo tu sensación. Si un par concreto de palabras se intercambia repetidamente (think/sink, ship/sheep), eso es una señal concreta y trabajable — no una sensación vaga de que “mi acento es malo”.
Lo bueno: la misma práctica ayuda con personas también
Esta es la parte útil de un problema por lo demás molesto: ninguno de los sonidos de arriba importa solo para las máquinas. Las consonantes finales, la duración vocálica y la TH son exactamente el tipo de detalle que decide si un oyente humano te entiende a la primera o necesita que repitas. Si alguna vez te has preguntado si merece la pena trabajar la pronunciación cuando tu acento en sí no es el problema, esa es una pregunta distinta e importante — lee más sobre inteligibilidad frente a acento.
Los fallos del reconocimiento de voz son, en cierto modo, una señal de feedback inusualmente directa y repetible. Una persona puede entenderte por contexto aunque una palabra no quedara clara; una app no tiene contexto al que recurrir, así que te muestra exactamente dónde se rompió la claridad.
Una clase de herramienta más reciente hace lo contrario: en vez de intentar entender tu acento, lo reescribe en la llamada en tiempo real. Si eso ayuda de verdad depende de si quieres salir de una conversación o ser más claro en todas.
Una forma privada de practicar para personas, no para la nube
Hay una segunda capa de este problema que merece nombrarse: cada vez que Siri, Alexa o el teclado de dictado te entienden mal, tu voz normalmente salió de tu dispositivo y viajó a un servidor para conseguir esa respuesta. Si ya te incomoda un sistema que le cuesta entender tu acento, mandarle tu voz una y otra vez mientras practicas no es un trato demasiado atractivo.
Phonema puntúa la pronunciación enteramente en tu iPhone, palabra a palabra, con el mismo nivel de detalle sonoro descrito arriba, sin subir tus grabaciones a ningún sitio. Puedes leer más sobre por qué importa el procesamiento on-device y cómo funciona la puntuación en sí en qué mide el GOP (Goodness of Pronunciation).
En resumen
Siri y Alexa te entienden mal porque tu acento está poco representado en su audio de entrenamiento, no porque tu inglés sea malo — y la misma carencia afecta también a variedades nativas. Los sonidos que más rompen la transcripción son /θ/, las consonantes finales, el contraste de duración ship/sheep y /ɹ/. Son los mismos cuatro que usa un oyente humano para entenderte, así que merece la pena practicarlos escuche o no una máquina.