Sueco: cuando "¡pide perdón!" se convirtió en "pido perdón"

En la película sueca Ondskan (Evil, 2003) hay una escena de acoso en un internado. El acosador le grita "Be om ursäkt" al otro chico: pide perdón. ElevenLabs, Speechmatics, Soniox y Deepgram lo transcribieron como "Jag ber om ursäkt", pido perdón. Quien exigía la disculpa pasó a ser quien la daba.

Solo AssemblyAI acertó. Esa frase es parte de la razón por la que AssemblyAI sigue en nuestra alineación para el sueco.

Los clips de prueba

Cuatro clips, todos de cine y televisión. No publicamos el audio.

Los dos primeros existen para hacer fallar a los motores. Los dos últimos se parecen más a una entrevista real.

Motores que probamos

ElevenLabs Scribe v2, AssemblyAI, Speechmatics, Soniox, Deepgram, Qwen, FunASR y Doubao. Añadimos Gemini en agosto de 2026.

El sueco no está en la lista publicada de 25 idiomas admitidos por Doubao. Dale sueco y te devuelve inglés, a veces en bucle: "I don't know," quince veces seguidas. Quedó fuera para este idioma.

Las líneas rojas

Las inversiones de negación y de postura fueron el problema más frecuente en sueco. La frase inicial es una. ElevenLabs también perdió un inte en Tillsammans, así que "no los mires, no los escuches" salió como "no los mires, escúchalos". Speechmatics convirtió "Tycker du" (¿tú crees?) en "Jag tycker" (yo creo), y cambió "el más torpe" por "el más deshonesto", lo que convierte un comentario sobre la torpeza en un ataque al carácter de alguien.

Frases alucinadas — al principio le atribuimos tres a AssemblyAI en las dos escenas de grupo: frases que no estaban en los subtítulos. En la revisión, Soniox y Qwen oyeron las mismas palabras en los mismos sitios. Los subtítulos habían omitido diálogo real. Desde entonces, cuando varios motores coinciden en contra de la referencia, comprobamos primero la referencia.

Bucles: Qwen tendía a repetirse en sueco; nuestro análisis automático contó una palabra repetida 35 veces en un tramo corto. Speechmatics convirtió la multitud coreando "Kryp!" en doce "Hi". En rigor es una sustitución, pero el significado se pierde de todos modos.

La deriva de idioma solo apareció con Doubao. No vimos ningún caso claro de pasajes perdidos ni de contenido insertado en ningún motor en estos clips.

Qué elegimos

• Motor principal: ElevenLabs Scribe v2. El más completo y fiel en los cuatro clips, sin bucles. Sus dos inversiones ocurrieron en las escenas de grupo; en los dos clips de tipo entrevista no tuvo ninguna.
• Motores de referencia: AssemblyAI, Soniox, Gemini.

AssemblyAI: fue el único motor que acertó la frase de la disculpa, y estuvo limpio en los dos clips de tipo entrevista.

Soniox sustituyó a Speechmatics. De Speechmatics constaba que "no invierte". Cuando repasamos los clips, eso no se sostuvo: Speechmatics estaba entre los motores que fallaron la frase de la disculpa, y los otros dos cambios de arriba eran suyos. Soniox no tuvo en estos cuatro clips ninguna línea roja exclusiva suya. En cada punto en que Speechmatics perdió puntos, Soniox acertó o dejó un hueco en lugar de adivinar.

Gemini se incorporó en agosto. Cero líneas rojas en los dos clips de tipo entrevista. En Morgonstudion produjo 730 palabras, la transcripción más completa del grupo, con los títulos de libros y los nombres intactos.

Pruebas en contra de nuestras elecciones

• ElevenLabs también invirtió el significado dos veces. Funciona como motor principal porque los motores de referencia pueden detectarlo en puntos como estos.
• Gemini convirtió "tú rompiste la familia" en "yo rompí la familia" en Tillsammans.
• Un primer análisis automático detectó que Soniox producía 1,8 veces más palabras que la referencia en sueco, con repeticiones. Una revisión línea por línea posterior no encontró ninguna línea roja exclusiva de Soniox, pero no hemos olvidado la señal.
• En Babel, el clip más limpio, Speechmatics obtuvo un 32,7 % de WER, en la misma franja más baja que el 32,5 % de Qwen. ElevenLabs obtuvo un 44,0 %. Aun así descartamos Speechmatics, porque lo que contamos es con qué frecuencia se tuerce el significado, y en esa medida lo hizo peor.

Qué sigue pendiente

Cuatro clips: dos escenas de grupo de cine, dos fragmentos de televisión. Ninguno es una entrevista de investigación de verdad, y no elegimos ninguno por sus acentos regionales. Y casos como la frase inicial, en los que varios motores cometen el mismo error y solo uno acierta, no se arreglan con una votación por mayoría. Así que en negaciones y significados invertidos no seguimos a la mayoría: sin pruebas sólidas, la frase se marca para que la escuche una persona.