Español: el motor que nuestro propio código hizo parecer roto

Una de nuestras primeras conclusiones sobre el español decía: «Doubao se desploma con el español difícil, 98.7% de tasa de error». En ese fragmento produjo un galimatías de chino e inglés.

El problema resultó ser nuestro. Le estábamos enviando a Doubao el código de idioma es-ES (el español de España). Doubao no acepta ese código. Tampoco devolvió un error; simplemente pasó al chino sin avisar. Cambiamos a es-MX (español de México) y volvimos a pasar los cuatro fragmentos. Doubao no produjo frases inventadas, conservó la mayoría de las formas verbales argentinas y superó a Speechmatics, el motor que lo había sustituido.

El «desplome» original se basaba en un solo fragmento. Más tarde, los «desplomes» de Doubao en otros nueve idiomas resultaron tener la misma causa.

Los fragmentos de prueba

Cuatro escenas de película de tres países:

• El Método (2005, España): una sala de candidatos a un puesto discutiendo sobre quién es el topo, en español peninsular.
• El crimen del Padre Amaro (2002, México): unos curas discutiendo sobre un partido de fútbol con la tele de fondo, hasta que la cosa acaba en una acusación de connivencia con forajidos.
• Nueve Reinas (2000, Argentina): una bronca a gritos por una herencia, más una escena en la que estafan a una anciana. Los argentinos usan el voseo, que cambia cómo se conjugan los verbos.
• La Comunidad (2000, España): vecinos agolpados en una puerta y gritando tras encontrar el piso de un inquilino muerto.

Tratamos La Comunidad como muestra del nivel más difícil; las otras tres caen entre el nivel intermedio y el más difícil. El nivel básico no está cubierto (los niveles se explican en la primera entrada).

Los candidatos

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

Las seis líneas rojas, motor por motor

Negación invertida. La línea roja más frecuente en español. En El Método, Speechmatics convirtió "Quiero probar cosas nuevas" en "No quiero", y "si hay un topo" en "Soy un topo" (yo soy el topo). Gladia convirtió "Apaguen ya esa tele" (apaguen esa tele) en "¡No apaguen" (no la apaguen). Deepgram convirtió "no sé" (no lo sé) en "lo sé".

Palabras y frases inventadas. Gladia oyó "nuestra situación laboral" como "nuestra situación, Laura", inventándose a una mujer llamada Laura. Deepgram convirtió "porque está sola" en "orquesta sola", sacándose de la manga una orquesta.

Deriva de idioma. El modelo Melia-1 de Speechmatics escribió "Soy abogado" como el portugués "Sou advogado", y pasó al portugués todo el final de La Comunidad. El español y el portugués están tan cerca que fijar el idioma explícitamente no lo impidió.

Pasajes perdidos. Deepgram se saltó la charla futbolera superpuesta del comienzo de Padre Amaro y cortó el clímax de los gritos al final de La Comunidad.

Acentos aplanados. No es una línea roja, pero importa para las entrevistas latinoamericanas. Soniox cambió el argentino "Oíme / hablás / andás" por el neutro "Óyeme / hablas / andas". ElevenLabs y AssemblyAI mantuvieron los originales.

Repetición. Gladia mostró indicios tempranos de repetir la misma palabra en fragmentos en español. Ninguno de los demás lo hizo en estos cuatro fragmentos.

También hubo noticias tranquilizadoras. La Comunidad es la escena más ruidosa, y aun así seis motores coincidieron en el mismo diálogo y ninguno inventó nada. El subtítulo tiene una sola línea, "Habrán dejado el grifo abierto", y los seis transcribieron la frase completa tal como se dijo de verdad, que es más de lo que recoge el subtítulo.

Qué elegimos

Pista principal: ElevenLabs Scribe v2. Sólido con los tres acentos, el mejor conservando el voseo argentino, y sin frases inventadas ni significados invertidos en ninguno de los cuatro fragmentos.

Pistas de referencia, por orden de prioridad:

1. AssemblyAI (universal-2): ninguna frase inventada ni inversión en ningún fragmento; el más limpio y completo del grupo.
2. Doubao (con el código es-MX): ninguna frase inventada ni desplome en los cuatro fragmentos, y la mayoría de las formas verbales argentinas intactas. Recuperó palabras reales que los subtítulos comprimidos habían omitido (complacencias, rumbos), y acertó la línea que Deepgram convirtió en una orquesta.
3. Gemini: añadido el 26 de agosto de 2026.

Speechmatics es ahora un respaldo de emergencia. No inventa, pero invirtió dos líneas en El Método y fue el más flojo en el fragmento argentino.

Pruebas en contra de nuestra elección

• Doubao también invirtió una línea, en el mismo sitio que Speechmatics. En El Método, Doubao también escribió "Quiero" como "No quiero". Speechmatics no está en producción, así que esta línea en concreto no recibirá dos votos equivocados. Pero hemos visto a varios motores equivocarse en el mismo sitio en cinco idiomas, y cuando eso pasa, una votación por mayoría simple elige la respuesta errónea. Por eso nuestro paso de fusión no resuelve las negaciones por mayoría: sin pruebas sólidas, la línea se marca para que la revise una persona.
• Gemini tiene sus propias inversiones en español. En Padre Amaro convirtió «apaguen la tele» en «no apaguen la tele» y «no sé» en «sé». Las otras tres pistas acertaron las dos. En La Comunidad cambió «dejaron el gas abierto» por «dejaron la casa abierta», lo que ya no encaja con la frase siguiente sobre que todos iban a saltar por los aires.
• Qwen estuvo limpio en español, y aun así lo descartamos. En los cuatro fragmentos no tuvo bucles ni frases inventadas, y conservó todas las formas verbales argentinas. Lo dejamos fuera porque no tiene marcas de tiempo por palabra, pertenece a la misma familia de grandes modelos que Gemini y fue menos estable que nuestros tres actuales con audio limpio.

Preguntas abiertas y límites

• En Latinoamérica solo probamos México y Argentina. No hay fragmentos de acentos caribeños, colombianos, chilenos ni otros.
• Los cuatro fragmentos son de películas. Ninguno es una entrevista real y ninguno está en el nivel básico.
• Cuando Doubao recibe un código de idioma que no acepta, no da error; simplemente produce un galimatías. El código ya es correcto, pero este tipo de problema nunca aparece en los registros de errores. Solo se detecta leyendo la salida.