Rumano: "¿Tienes hambre?" se convirtió en "Me muero de hambre"

El comienzo de una película rumana: dos personas hablando por turnos, muy poco ruido de fondo, sin multitud. De nuestros cuatro clips en rumano, este es el más claro.

Una de ellas pregunta: "Ți-e foame?" ¿Tienes hambre?

Speechmatics escribió "mor de foame": me muero de hambre. Una pregunta se convirtió en una afirmación, y ahora la dice la otra persona. En el mismo minuto convirtió "escucha, por favor" en "yo también lo oí", "cogí las flores" en "di las flores", y sustituyó la "tort" (tarta) de "tarta de merengue" por una palabra que no encaja, satisfăcător ("satisfactorio").

Cuando un motor hace esto en el clip más fácil del conjunto, el problema es el motor, no la grabación.

Los clips de prueba: tres películas, cuatro escenas

• Filantropica (2002): una multitud a la puerta de una discoteca, ruido intenso, gente gritándose unos encima de otros. El nivel más difícil.
• La muerte del señor Lăzărescu (Moartea domnului Lăzărescu, 2005): unas urgencias, con médicos, enfermeras, pacientes y llamadas telefónicas cruzándose, además de términos médicos como bariu (bario). Nivel medio-alto.
• 4 meses, 3 semanas y 2 días (4 luni, 3 săptămâni și 2 zile, 2007), dos escenas: una cena de cumpleaños con toda la mesa hablando a la vez, interrupciones constantes y muchos precios (el nivel más difícil); y la discusión inicial entre dos personas descrita arriba (nivel de base).

Las fuentes en rumano escasean. Las películas con audio disponible no tienen subtítulos, y las que tienen subtítulos no tienen el audio completo, así que dos escenas tuvieron que salir de la misma película.

Motores que probamos

Primera ronda: ElevenLabs Scribe v2, AssemblyAI, Speechmatics y Doubao (ro-RO). FunASR, iFlytek y Qwen se ejecutaron solo como referencia. Las transcripciones de Soniox salieron de una ejecución aparte con todos los motores y se incorporaron a la revisión a principios de julio. Gemini se añadió en agosto de 2026.

Líneas rojas, motor por motor

Speechmatics tuvo problemas en todos los clips. Además de los de arriba: en la calle, "vamos al Cult Club" se convirtió en "nos vamos a la cama", y un simple "¿Dónde?" creció hasta "¿Dónde está Lake Sloop?", un lugar que nadie mencionó. En urgencias añadió una frase que nadie dijo, más o menos "el médico está al teléfono".

AssemblyAI no entró en bucle, pero inventa palabras en las escenas concurridas. "Cult Club" se convirtió dos veces en una no-palabra, "Kulfland". En la cena convirtió dos veces "dragă" (querido) en la maldición "dracu". En el clip claro insertó una negación, de modo que "¡Venga! Te lo digo…" se convirtió en "Venga, no te lo diré…". También destrozó un nombre, rompió el verbo al comienzo de una frase y omitió tramos enteros.

ElevenLabs: ninguna inversión en ningún clip. Sus errores fueron perder "Cult" y oír dos veces "sutimi" (centésimas, como en céntimos) como la parecida "sutieni" (sujetadores).

Doubao: sin alucinaciones, sin inversiones y con todos los precios de la cena correctos. Sus errores fueron cambios entre palabras que suenan parecido, como ceaiul (el té) por ceva (algo) en "¿te traigo algo de abajo?".

Soniox: ningún pasaje fabricado; sus transcripciones tenían más o menos la misma longitud que las de ElevenLabs y Doubao, sin relleno. Acertó el nombre Popescu y el condicional "dacă-mi vii" (si vienes a mí), justo donde AssemblyAI destrozó y Speechmatics invirtió. Emborronó dos puntos de palabras parecidas en el clip claro.

Qué elegimos y por qué

Principal: ElevenLabs Scribe v2. La tasa de error más baja en el clip claro, ninguna inversión en ningún clip.

Referencia 1: Soniox. Entre los candidatos a referencia tuvo la tasa de error más baja en los cuatro clips, y la lectura línea por línea salió limpia. Sustituyó a AssemblyAI. Los errores de AssemblyAI son sobre todo palabras raras que saltan a la vista, así que salió por ser más flojo que Soniox, no por ser peligroso.

Referencia 2: Doubao. Sin alucinaciones, sin inversiones. Soniox y Gemini son transcriptores basados en modelos grandes; Doubao sigue otro enfoque, lo que lo convierte en un contrapeso útil.

Referencia 3: Gemini. Véase la sección siguiente.

Pruebas en contra de nuestra elección

• La conclusión original era AssemblyAI más Doubao. Solo cambió después de sacar y revisar las transcripciones de Soniox. El cuerpo de aquel informe original sigue enunciando la conclusión antigua, con una corrección añadida al principio.
• Speechmatics fue el único motor que acertó el término médico "bariu" las dos veces. Soniox escribió "bari", con una letra de menos.
• El motor principal también se equivoca: ElevenLabs oyó "céntimos" como "sujetadores", dos veces.
• Gemini no tuvo ningún clip de cine limpio en rumano. En urgencias convirtió "bariu" en "bani" (dinero) y se repitió al principio. En la cena cometió cuatro o cinco errores, perdió el núcleo de una frase y convirtió "¿whisky?" en "¿zumo?". Luego ejecutamos un pódcast de entrevista real de cinco minutos. Sin alucinaciones, sin inversiones, sin bucles; dos deslices menores ("yo" por "él", y una expresión hecha embrollada), y tres puntos en los que fue más preciso que ElevenLabs. Ese pódcast no tenía transcripción de referencia humana; comparamos Gemini solo con ElevenLabs.

Aún pendiente

• Cuatro escenas de tres películas, y ninguna es una entrevista de investigación.
• Solo el clip de urgencias tiene vocabulario especializado, y los motores difirieron mucho en él (véase "bariu" arriba). Las conclusiones ahí todavía no son sólidas.