Portugués: tres frases invertidas y una frase clave rescatada

En una entrevista en profundidad de la televisión portuguesa, la frase más importante contiene "no chão da cozinha": en el suelo de la cocina. Nuestra pista principal, ElevenLabs, escribió "no som da coxinha," una ristra de sonidos sin sentido. Gemini acertó.

En la misma entrevista, Gemini convirtió "nunca disse isto" (nunca dije eso) en "Tu disseste isto" (tú dijiste eso). En cada una de las tres conversaciones que añadimos para ponerlo a prueba, Gemini invirtió una frase de este modo.

Incluir o no a Gemini fue la decisión más discutida en portugués.

Los clips de prueba

Tres escenas de cine para elegir los motores acústicos, todas en portugués de Brasil, de dos a tres minutos cada una:

• Meu Nome Não É Johnny (2008, Río): una fiesta con un trapicheo de drogas y gente increpando, jerga densa, voces solapadas.
• Que Horas Ela Volta? (2015, São Paulo): seis personas junto a una piscina, un coqueteo que de repente se convierte en todos gritando órdenes.
• O Auto da Compadecida (2000, el Nordeste): una banda de forajidos descubre quién es alguien en realidad, cinco o seis personas hablando rápido con un fuerte acento nordestino.

Tres conversaciones reales añadidas para poner a prueba a Gemini, de cinco minutos cada una, sin transcripción de referencia; comparamos Gemini con ElevenLabs línea por línea. Una es una entrevista política brasileña, otra una entrevista en profundidad de la televisión portuguesa (con cortinillas musicales entre bloques) y otra un pódcast con tres personas hablando a la vez. Las dos últimas son en portugués europeo.

En los tres niveles de la primera entrada, las tres escenas de cine están en el nivel más difícil. Las conversaciones se parecen más a entrevistas reales, pero sin transcripción de referencia solo podemos contrastar los motores entre sí.

Los candidatos

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

Las seis líneas rojas, motor por motor

Frases inventadas. En una transición de la escena multitudinaria de São Paulo, AssemblyAI produjo una frase en inglés, "That's so good." En el clip del Nordeste convirtió "Oxente, e agora é de dois" (oye, ahora son dos) en "Oxe o Diogo agora é de 12," añadiendo un nombre y equivocando el número. Speechmatics insertó "Não mais na escuridão" (no más en la oscuridad) en el clip de Río y redujo una frase del clip de São Paulo a "Hoje é um divã Família." Soniox y Gladia inventaron ambos la misma frase emotiva en el clip del Nordeste, "eu adorei" (me encantó).

Significado invertido. En los clips de cine, Gemini convirtió "ahora estás en otro equipo" en "ahora yo estoy en otro equipo" en la escena de Río. Además de la inversión del principio de esta entrada, las conversaciones nos dieron dos más: "Não, imagina" (qué va) se convirtió en "Imagino" (supongo que sí), y "E não acertei logo de início" (no acerté al principio) se convirtió en "E acertei," perdiendo la negación, aunque las palabras que vienen justo después, "eu falhei" (fallé), la contradicen. Las tres estaban en oraciones habladas cortas, las tres invirtieron una negación o una persona, y ninguna se inventó de la nada.

Contenido insertado. En la entrevista de televisión, Gemini transcribió la música entre bloques como si fuera habla, en tres puntos, uno de ellos un fragmento de inglés roto. Los tres cayeron en huecos donde ElevenLabs no había producido nada. No ocurrió en el pódcast, que no tiene música.

Pasajes perdidos. En el clip del Nordeste, Gladia se saltó todo el intercambio de la panadería, unas ocho frases.

Bucles de repetición. Ninguno registrado en estos clips en portugués.

Un error más que conviene señalar: Speechmatics convirtió el "eu sou casada" de una mujer (estoy casada, en femenino) en el masculino "casado."

Qué elegimos

Pista principal: ElevenLabs Scribe v2. La más completa en las tres escenas de cine, con solo algunas palabras insertadas sin importancia.

Pistas de referencia:

• AssemblyAI (universal-2): en conjunto, el más preciso de los motores internacionales. Inventó una cosa en el clip de São Paulo y otra en el del Nordeste, y nada en absoluto en el de Río, donde además tuvo el mejor WER.
• Doubao: estable en las tres regiones de Brasil, sin frases inventadas y sin inversiones.
• Gemini: añadido el 26 de agosto de 2026.

AssemblyAI figura por delante de Doubao en la configuración para coincidir con nuestros otros idiomas europeos. El orden no significa que sea mejor.

Pruebas en contra de nuestra elección

• Doubao es semánticamente más seguro que AssemblyAI. En los tres clips de cine, Doubao no inventó nada; AssemblyAI inventó dos cosas.
• Los nombres son un punto ciego para las tres pistas. Nombres como João Guilherme y Dona Bárbara salieron mal en las tres pistas, cada una a su manera, así que el paso de fusión no tiene nada fiable en que apoyarse. Las entrevistas con muchos nombres necesitan el glosario.
• Las tres inversiones de Gemini son reales. En cada caso las frases de alrededor muestran la contradicción. Pero estas conversaciones solo se compararon con la pista principal; las otras dos pistas de referencia no se ejecutaron sobre ellas.
• Según nuestros registros de agosto, no había ninguna salvaguarda específica contra el audio de fondo transcrito como habla. Una televisión o una radio encendida en el lugar de una entrevista podría acabar en la transcripción de este modo.

Preguntas abiertas y límites

• No hay ningún clip de prueba en portugués europeo. La única película candidata resultó ser una producción francesa con diálogos mayoritariamente en francés, y las fuentes disponibles eran erróneas de todos modos. Las películas en portugués europeo casi nunca tienen subtítulos nativos, así que no podemos construir una transcripción de referencia. Nuestras únicas pruebas en portugués europeo son las dos conversaciones que añadimos para Gemini, y tampoco tienen referencia.
• Puede que Doubao no sea fiable con el portugués europeo. Enviamos a Doubao el código de idioma del portugués de Brasil. Nuestros registros dicen que con el portugués europeo se degrada en silencio hasta producir galimatías, pero sin un clip de prueba nunca lo hemos verificado nosotros mismos. Hay un motor candidato de reserva para el portugués europeo, Speechmatics Melia-1, pendiente todavía de validación.
• Las tres escenas de cine son escenas multitudinarias; no hay ningún clip de nivel básico.