Alemán: cuando el dialecto vienés hizo que el motor más estable se pasara al inglés

En un enfrentamiento en torno a una mesa de bebedores de la película austriaca Hundstage, varios hombres se pinchan unos a otros en un cerrado dialecto vienés. En esta escena, AssemblyAI se pasó de repente al inglés y produjo líneas como "You just often want to sing... I will the luz dance like if I was a toad", nada de lo cual está en el audio. En la misma escena, Doubao se mantuvo en alemán de principio a fin y fue el más coherente del grupo.

En los otros tres fragmentos, todos en alemán estándar, AssemblyAI fue el motor más limpio de los que probamos. Dentro de un mismo idioma, un dialecto puede darle la vuelta a la clasificación.

Los fragmentos de prueba

Cuatro escenas de película, tres alemanas y una austriaca, de unos dos o tres minutos cada una:

• Knockin' on Heaven's Door (1997): dos protagonistas hablando deprisa en un restaurante, interrumpidos por la llamada de un gánster.
• Der Untergang (2004): un consejo de guerra en el búnker, cinco o más oficiales interrumpiéndose unos a otros.
• Sophie Scholl (2005): un interrogatorio en un tribunal con una multitud gritando por encima. Es el único fragmento en el que los subtítulos coinciden con el audio palabra por palabra, así que su WER tiene sentido.
• Hundstage (2001): dialecto vienés, acoso en una mesa de bebedores. La referencia utilizable cubre solo 1 minuto y 42 segundos.

Teníamos otras películas en la lista, pero no logramos superar las restricciones de edad de YouTube, o la «película completa» resultó ser un resumen en inglés. Las buenas fuentes de diálogo difícil de cine alemán escasean.

En los tres niveles de la primera entrada, Knockin' y Sophie Scholl están cerca del nivel intermedio, y Der Untergang y Hundstage están en el más difícil. El nivel básico no está cubierto.

Los candidatos

ElevenLabs, AssemblyAI, Doubao, Speechmatics (dos modelos), Soniox, Gladia, Deepgram, FunASR y, más adelante, Gemini.

Las seis líneas rojas, motor por motor

Palabras y frases inventadas. En Sophie Scholl, la multitud grita "Frechheit" (¡qué descaro!). Tres motores se inventaron cada uno una palabra distinta: Soniox escribió "Brecher als sowas Brecher Schwein oder Schwein", Deepgram escribió "Wecker" (despertador) y Gladia escribió "Lecker als sowas Lecker Lecker" (sabroso). En Knockin', Soniox oyó "Frankie ist harmlos" (Frankie es inofensivo) como "ein Harvard" y añadió una frase de su cosecha. En Der Untergang, Deepgram convirtió "kulturlosen Bestien" en una ristra de palabras inventadas.

Deriva de idioma. Es la escena del principio. Al revisarlo de nuevo, AssemblyAI se había pasado al inglés en tres ocasiones distintas en el fragmento austriaco.

Significado invertido. En el fragmento austriaco, Speechmatics convirtió "Dir vergeht die Lust, wenn du tot bist" (se te quitarán las ganas cuando estés muerto) en "Ich will dich los wenn du tot bist", cambiando tanto el sujeto como el significado, y añadió un insulto, "du Schwein".

Pasajes perdidos. Deepgram se saltó unos 30 segundos de diálogo en Knockin'. En el fragmento austriaco devolvió 25 palabras y se dejó aproximadamente el 90%.

Repetición. Soniox mostró una repetición leve en el fragmento austriaco, con una palabra que aparecía cuatro veces seguidas. No tenemos registros de ese tipo para los demás en estos cuatro fragmentos.

Qué elegimos

Pista principal: ElevenLabs Scribe v2. Nunca cambió de idioma, nunca inventó una frase e hizo entre cero y tres sustituciones por fragmento.

Pistas de referencia, por orden de prioridad:

1. AssemblyAI (universal-2): el más limpio en los tres fragmentos de alemán estándar, con cero errores en el consejo de guerra de Der Untergang.
2. Doubao: se mantuvo en alemán en los cuatro fragmentos, sin frases inventadas ni grandes huecos. Con el dialecto austriaco fue más estable que AssemblyAI.
3. Gemini: añadido el 26 de agosto de 2026. Cuando lo probamos en 26 idiomas, el alemán quedó en el grupo en el que podía entrar directamente. En Hundstage no tuvo líneas rojas y no se pasó al inglés donde sí lo hizo AssemblyAI.

Pruebas en contra de nuestra elección

• Doubao tuerce significados. Escribió "Frankie ist harmlos" (Frankie es inofensivo) como "hart vor", empujando el significado en sentido contrario. "Ja, no problem" se convirtió en "ja nur Brot" (solo pan), y "Acht, Acht" (ocho, ocho) se convirtió en el número 88.
• La pista principal también cambió un significado. En Der Untergang, ElevenLabs convirtió "In einem Krieg wie diesem" (en una guerra como esta) en "In einem Kollektiv dieser Art" (en un colectivo de este tipo).
• Gemini inventó una frase en alemán. En Der Untergang escribió una línea que nadie dice, "Flucht oder Berlin wird ein gewaltiger Rückschlag", y convirtió «¿Estás loco?» en «Está loco».
• El único ganador fiable por WER no pasó el corte. Speechmatics tuvo el WER más bajo en Sophie Scholl. En alemán estándar es de verdad seguro; sus fallos son sobre todo omisiones. Pero con el dialecto austriaco cambió tanto el sujeto como el significado de una línea.

Preguntas abiertas y límites

• Tenemos un solo fragmento austriaco, con solo 1 minuto y 42 segundos de referencia utilizable. El alemán suizo no se probó en absoluto.
• Los cuatro fragmentos son de películas. Ninguno es una entrevista real y ninguno está en el nivel básico.
• En los pocos segundos de gritos de la multitud en Sophie Scholl, tres motores se inventaron cada uno una palabra, mientras que AssemblyAI y Speechmatics dejaron el hueco vacío. Un hueco vacío es más seguro que una palabra inventada, pero demuestra que esos segundos siguen siendo difíciles para la mayoría de los motores.