La primera vez que alguien usa una herramienta de IA para tomar notas de una reunión en cantonés, la reacción suele ser la misma: el resultado parece correcto, pero algo no cuadra. No hay errores evidentes en el texto y, sin embargo, al compararlo con lo que uno recuerda de la conversación, falta algo.
Conviene situar el contexto: el cantonés lo hablan unos 85 millones de personas, y aunque los ejemplos de este artículo son de Hong Kong, el problema de fondo —mezclar dos idiomas dentro de una misma frase— se repite en muchísimos otros pares de lenguas.
Esa sensación de desajuste no suele venir de donde todo el mundo cree: la tasa de reconocimiento. Con cantonés puro, un solo hablante y un entorno silencioso, las herramientas actuales rinden bastante bien. El problema está en otros dos puntos, y ambos coinciden justamente con las dos formas más habituales de la conversación cotidiana en Hong Kong.
Primero: cuando una frase mezcla chino e inglés, la calidad del reconocimiento cae de forma notable. Segundo: aunque el sistema escuche bien, el texto que devuelve suele haber sido reescrito en chino escrito estándar, y ya no es la frase que dijiste.
Son dos fenómenos con causas distintas y consecuencias distintas. Vale la pena tratarlos por separado.
Conclusión en 30 segundos
- Mezclar chino e inglés tiene un costo, y ese costo se puede medir → La literatura de investigación pública muestra tasas de error de caracteres de entre 20 % y 26 % en contenido con cambio de código cantonés-inglés, frente a un 6 %–8 % de esos mismos sistemas en contenido monolingüe. Una diferencia de tres a cuatro veces.
- "Escuchar bien" y "escribir bien" son cosas distintas → Dices «幾時搞掂» ("¿para cuándo lo terminas?", en cantonés coloquial) y el acta registra el equivalente formal en chino escrito: el significado se conserva, la frase original desaparece.
- En la mayoría de los casos da igual; en unos pocos es crítico → Un resumen de una charla informal no se ve afectado; una consulta médica, un expediente de servicios sociales, un acta de mediación o una entrevista de investigación sí.
- En 2025 los datos de cantonés dieron un salto de orden de magnitud → De corpus públicos de decenas de horas a las 21.800 horas de WenetSpeech-Yue, aunque el cambio de código sigue siendo la parte no resuelta.
- Antes de elegir herramienta, decide si lo que necesitas es "el sentido" o "las palabras exactas" → Cada opción exige una configuración distinta; al final del artículo hay una lista de verificación.
Primero distingamos dos cosas: reconocimiento frente a presentación
Al hablar de la calidad de las transcripciones en cantonés es fácil confundir dos etapas independientes.
El reconocimiento (ASR) convierte sonido en texto. Su fallo típico es "escuchar mal": no captar lo que dijiste, o confundir una palabra con otra de sonido parecido.
La presentación decide qué forma final adopta ese texto. Su fallo típico es "reescribir": entender perfectamente lo dicho, pero pulir el registro oral hasta convertirlo en lengua escrita.
Lo que la mayoría denuncia como "las transcripciones en cantonés son imprecisas" son en realidad fallos de estas dos capas, y cada una exige un tratamiento completamente distinto. La primera es un problema de capacidad del modelo y de datos de entrenamiento; la segunda suele ser una decisión de diseño, y muchas veces deliberada.
Falla uno: la mezcla cantonés-inglés
Por qué esto es especialmente difícil
「我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。」
En esa frase, Causeway Bay, meeting, check y schedule son inglés; todo lo demás es cantonés. Significa: "Quiero ir a Causeway Bay a una reunión y, de paso, revisar la agenda". En Hong Kong no tiene nada de particular, pero para un sistema de reconocimiento exige capacidades muy distintas a las de una frase en cantonés puro. El sistema debe alternar en tiempo real, dentro de la misma frase e incluso sin pausa para respirar, entre dos sistemas fonológicos y dos vocabularios completamente distintos, sin ningún aviso previo del punto de cambio.
Peor aún: cuando un hongkonés pronuncia una palabra en inglés, la pronunciación ya viene "cantonesizada": la estructura silábica y el contorno tonal han sido localizados. Esas realizaciones no encajan del todo con lo que espera el modelo de inglés, ni figuran en el léxico del modelo de cantonés. Ninguno de los dos las reconoce como propias.
La diferencia en cifras
La literatura de investigación pública ofrece un panorama bastante consistente: la tasa de error de caracteres en contenido con cambio de código cantonés-inglés se sitúa aproximadamente entre el 20 % y el 26 %, frente a un 6 %–8 % de esos mismos sistemas en contenido monolingüe. En conjuntos de evaluación específicos de habla mixta cantonés-inglés, los sistemas basados en Whisper registran una tasa de error mixta de alrededor del 22 %.
Traducido a la experiencia real: en contenido en cantonés puro se falla aproximadamente un carácter de cada diez y pico; en contenido mixto, uno de cada cuatro o cinco. Con esa segunda cifra, una transcripción ya necesita revisión frase por frase antes de poder usarse.
Este tipo de error tiene una forma muy particular
Conviene notar que los errores de cambio de código no "se ven" como los errores de reconocimiento habituales. El sistema rara vez deja un hueco o devuelve caracteres incoherentes: tiende a adivinar una palabra china de sonido parecido y gramaticalmente plausible, y a insertarla.
El resultado es una frase perfectamente fluida en la superficie cuyo sentido ya se ha desviado. Eso es mucho más peligroso que una errata evidente: ante una errata evidente te detienes a verificar; ante una frase fluida pero equivocada, sigues leyendo.
Falla dos: cantonés hablado frente a chino escrito
Dos versiones de la misma frase
| Lo que se dijo (cantonés coloquial) | Salida habitual (chino escrito estándar) | Significado en español |
|---|---|---|
| 佢哋幾時先搞得掂？ | 他們什麼時候才能完成？ | ¿Cuándo van a terminar de una vez? |
| 呢單嘢我唔係好清楚 | 這件事我不太清楚 | De este asunto no estoy muy seguro |
| 咁我哋而家點算？ | 那我們現在怎麼辦？ | ¿Y ahora qué hacemos? |
| 頭先個 client 講嘅嗰樣 | 剛才那位客戶說的那件事 | Aquello que dijo el cliente hace un momento |
Ninguna frase de la columna central es "incorrecta". El significado es exacto y hasta se lee mejor. El problema es que nadie habla así.
Por qué los sistemas hacen esto
No suele ser un error de programación. Los datos de entrenamiento del chino escrito son abrumadoramente chino escrito estándar; el cantonés escrito en registro oral (嘅, 咗, 喺, 哋) representa una fracción mínima del corpus total. A falta de instrucciones explícitas, el modelo tiende de forma natural a producir la variedad de chino que mejor conoce.
Y en la mayoría de los casos ese comportamiento por defecto es el correcto. Para resumir una reunión, redactar tareas pendientes o enviar algo a un colega que no habla cantonés, la versión en lengua escrita es claramente más útil.
Pero hay escenarios donde ocurre justo lo contrario
El problema es que existe toda una categoría de situaciones en las que lo que se necesita son precisamente las palabras originales.
- Consultas médicas: los términos con los que un paciente describe sus síntomas son en sí mismos información clínica. Cuando 「頂住頂住」 (una presión sorda y constante), 「唧住痛」 (un dolor como si algo apretara o exprimiera) o 「作嘔作悶」 (náuseas con malestar) se reescriben en vocabulario estándar, esa textura concreta se pierde.
- Expedientes de servicios sociales: las palabras textuales del usuario inciden en la evaluación del caso; reescribirlas equivale a añadir una capa de interpretación ya en la fase de registro.
- Mediación y resolución de conflictos: quién dijo qué, y con qué tono, es justamente el objeto de la disputa.
- Entrevistas de investigación e historia oral: el valor de una transcripción literal depende de que sea literal.
- Enseñanza de idiomas y trabajo con corpus: la forma oral es en sí misma el objeto de estudio.
Estos casos comparten un rasgo: el registro no sirve solo para recordar de qué se habló, sino que puede ser citado, revisado o utilizado como base probatoria más adelante. Un acta pulida en silencio resulta arriesgada en ese uso, precisamente porque parece completamente normal: no hay forma de saber qué se ha modificado.
Una premisa que suele pasarse por alto: la situación de los datos en cantonés
Para entender por qué el rendimiento de las herramientas de cantonés es tan desigual, ayuda mirar el volumen de datos disponibles.
| Corpus | Tamaño | Año |
|---|---|---|
| WenetSpeech-Yue | 21.800 horas, 10 dominios, abierto | 2025 |
| Common Voice cantonés (yue) | 210,91 horas (validadas), 1.174 hablantes | Actualización continua |
| MDCC | 73,6 horas | 2022 |
| CantoMap | 12,8 horas, 40 hablantes | 2020 |
| HKCanCor | Unas 230.000 palabras (grabadas en 1997–98) | 2015 |
| Words.hk | 56.373 entradas léxicas | Actualización continua |
La aparición de WenetSpeech-Yue en 2025 supuso un cambio de orden de magnitud: hasta entonces, los datos públicos de voz en cantonés llevaban mucho tiempo estancados entre decenas y centenares de horas, mientras que las lenguas mayoritarias se cuentan por decenas de miles. Eso explica el retraso general de las herramientas de cantonés hasta ahora.
Pero conviene notar que ese aumento de datos mejora sobre todo el reconocimiento del cantonés monolingüe. El cambio de código requiere corpus mixtos, más difíciles de anotar y todavía escasos. Por eso la falla uno mejorará bastante más despacio que el reconocimiento de cantonés puro.
Otra capa del contexto hongkonés
Vale la pena mencionar un conjunto de cifras relacionadas. Según el censo de 2021, Hong Kong cuenta con unos 619.568 residentes no chinos, el 8,4 % de la población. En cuanto a la capacidad de hablar cantonés: 17,6 % entre la comunidad filipina, 25,0 % entre la india y 34,7 % en el conjunto de la población del sur de Asia; en cambio, el dominio del inglés supera generalmente el 84 %.
Dicho de otro modo, la realidad lingüística cotidiana de Hong Kong no es un escenario de "cantonés" a secas, sino de cantonés, inglés y varias lenguas más presentes al mismo tiempo. Una herramienta que solo reconozca bien el cantonés pero no traduzca en tiempo real resuelve apenas la mitad del problema.
Cómo aborda Traverba estas dos fallas
- Prioridad a la mezcla cantonés-inglés — Reconocimiento ajustado a las frases mixtas al estilo hongkonés, en lugar de tratar el cantonés y el inglés como dos modos entre los que hay que elegir.
- Conservación del registro oral — La transcripción refleja la forma en que realmente hablaste; los resúmenes y traducciones se generan aparte. Las palabras originales y la versión pulida coexisten, en vez de que la segunda sobrescriba a las primeras.
- Transcripción y traducción en tiempo real integradas — Una misma conversación, un hablante, más de 100 idiomas: el público escanea un código QR y ve los subtítulos en su propio idioma, sin descargar ninguna aplicación.
- Prioridad al procesamiento local — El reconocimiento de voz se ejecuta por defecto en el dispositivo, con la IA en la nube como opción; para contenido sensible, nada tiene por qué salir del equipo.
- Transcripción literal completa exportable — Tras la sesión puedes exportar la transcripción literal y la versión traducida, y guardarlas por separado.
Seamos claros: si tu uso son resúmenes de reuniones de negocios corrientes, puestas al día internas o listas de tareas, la mayoría de las herramientas de notas con IA del mercado ya cumplen bien, y la salida en lengua escrita resulta incluso más práctica; no hace falta cambiar de herramienta por esto. Las diferencias anteriores solo importan de verdad en los escenarios donde las palabras originales son, en sí mismas, el dato.
¿Cómo decidir? Una lista breve
Hazte tres preguntas:
1. ¿Este registro se citará o se revisará más adelante? Si la respuesta es sí (expedientes de casos, historias clínicas, mediación, entrevistas), necesitas una transcripción literal y necesitas confirmar que la herramienta no está reescribiendo por detrás. Si es no, un resumen en lengua escrita es más práctico.
2. ¿Con qué densidad se mezclan chino e inglés en la conversación? Alguna palabra suelta en inglés la maneja casi cualquier herramienta. Si se trata de esa conversación hongkonesa típica que cambia de idioma dos o tres veces en una sola frase, prueba primero con una grabación real; no te fíes de la lista oficial de idiomas.
3. ¿El contenido es sensible? Para grabaciones que impliquen historiales médicos, expedientes o asuntos legales, verifica antes el recorrido de los datos: si el procesamiento es local o en la nube, cuánto tiempo se almacenan y si se usan para entrenamiento.
Un último consejo: sea cual sea la herramienta elegida, pruébala con una conversación real tuya, no con un texto leído en voz alta. El cantonés leído no tiene cambio de código, ni partículas del habla, ni interrupciones solapadas: no detecta ninguno de los problemas anteriores.
Más información
En materia de transcripción en cantonés no hay una herramienta que sirva para todos los casos. La clave es aclarar primero si lo que quieres es "el sentido" o "las palabras exactas": esa decisión determina directamente qué elegir y cómo configurarlo.
Si quieres saber cómo trata Traverba la mezcla cantonés-inglés y la conservación del registro oral, visita traverba.com o descarga la aplicación en Google Play y la App Store.
Las tasas de error citadas en este artículo proceden de literatura pública de investigación sobre reconocimiento de voz en cantonés; los datos de tamaño de corpus, de la información oficial publicada por cada corpus; y los datos de población y competencia lingüística, del censo de 2021 del Gobierno de Hong Kong. Todas las cifras están actualizadas a mediados de 2026; las capacidades de modelos y herramientas cambian continuamente, y el rendimiento real depende de la calidad de la grabación, el acento, el ruido ambiental y la versión concreta. Todas las marcas y marcas registradas pertenecen a sus respectivos propietarios.