Reconocimiento de voz en cantonés en 2026: comparación práctica de las principales herramientas

Si alguna vez has grabado una reunión en Hong Kong y la has procesado con una aplicación de transcripción, sabes que el cantonés es uno de los idiomas más difíciles de transcribir correctamente. Una frase como "我想去 Causeway Bay 開會 prepare 一下 個 deck" mezcla cantonés e inglés en una sola oración — y esa mezcla es donde la mayoría de las herramientas de transcripción muestran sus limitaciones.

No se trata de un problema marginal. El cambio de código (code-switching) — alternar entre cantonés e inglés a mitad de una oración — es el registro habitual de los negocios, la tecnología y la vida cotidiana en Hong Kong. También es uno de los problemas técnicamente más exigentes del reconocimiento de voz en chino.

Hemos elaborado una comparación neutral y práctica de las principales herramientas de reconocimiento de voz en cantonés en 2026 — Google, Apple, Microsoft Azure, OpenAI Whisper, Otter.ai, iFLYTEK, ElevenLabs y Speechmatics — evaluando precisión, cambio de código, privacidad y la facilidad con la que cualquier persona puede utilizarlas. Todas las herramientas analizadas destacan en algún aspecto; el objetivo es ayudarte a elegir la que mejor se adapte a tus necesidades.

Cómo se mide la precisión

La precisión de la transcripción se suele expresar como Tasa de Error de Palabras (WER, Word Error Rate) o Tasa de Error de Caracteres (CER, Character Error Rate) — el porcentaje de palabras o caracteres que difieren de una referencia correcta. Cuanto más bajo, mejor. Por debajo del 5% aproximadamente es excelente; alrededor del 20% implica, en general, una corrección manual significativa.

El benchmark público más citado para el cantonés es el conjunto de datos Common Voice Yue — hablantes reales de cantonés leyendo en voz alta. Con ese cantonés limpio y leído, las pruebas independientes han reportado las siguientes tasas de error de caracteres:

Según este benchmark, el modelo de cantonés en dispositivo de Apple obtiene buenos resultados — su CER reportado es aproximadamente un 35% inferior al de Google y un 67% inferior al de Microsoft en este conjunto de datos concreto, y funciona completamente en el dispositivo. Para una persona que dicta cantonés limpio en un Mac, es una opción genuinamente buena y gratuita.

Una advertencia importante: este benchmark mide cantonés limpio, leído en voz alta, por un solo hablante y sin inglés. No es así como habla la mayoría de las personas en Hong Kong.

Por qué el cambio de código es la prueba real

Common Voice es un habla cuidada y monolingüe. El cantonés cotidiano de Hong Kong es conversacional, rápido y mezclado con inglés:

"個 user feedback 話 個 flow 唔 make sense, 不如 我哋 sync 一 sync 先。"

Una puntuación en un benchmark de cantonés limpio dice poco sobre cómo una herramienta maneja una frase como esa. La investigación académica sobre la mezcla de cantonés e inglés apunta a dos razones por las que esto es difícil para cualquier motor:

1. El inglés hablado con acento cantonés suena diferente al inglés "estándar", lo que puede confundir al modelo de lengua inglesa.
2. Datos de entrenamiento con cambio de código limitados — muchos sistemas se entrenaron principalmente con cantonés monolingüe o inglés monolingüe, no con la mezcla natural.

Esto afecta a todo el sector, no a una sola marca. En pruebas más amplias, el audio con cambio de código ha reducido la precisión en las herramientas más populares — un estudio ampliamente citado observó una caída de precisión en mezclas de español e inglés. La conclusión práctica: para audio de Hong Kong, cómo una herramienta gestiona el inglés dentro del cantonés importa más que su puntuación de referencia.

Las herramientas, una por una

Otter.ai

Otter es una de las aplicaciones de transcripción más populares en general, con excelentes funciones para reuniones y resúmenes. A fecha de 2026, su transcripción está orientada al inglés y no ofrece transcripción en cantonés. Si buscas específicamente cantonés, necesitarás una herramienta con soporte nativo.

OpenAI Whisper

Whisper admite una gran variedad de idiomas y puede transcribir cantonés. Por defecto, tiende a generar chino estándar escrito (por ejemplo, "他們" en lugar del coloquial "佢哋"). Existen modelos de cantonés ajustados por la comunidad que preservan la salida coloquial, pero usarlos requiere cierta configuración técnica, por lo que Whisper es más adecuado para desarrolladores y usuarios avanzados que para alguien que simplemente quiere abrir una aplicación.

Google Cloud Speech-to-Text

El modelo "yue-Hant-HK" de Google escala bien y es una opción sólida para borradores rápidos y procesamiento automatizado de grandes volúmenes dentro de Google Cloud. Como ocurre con la mayoría de los motores automatizados, el resultado en bruto suele beneficiarse de una revisión, y el inglés con cambio de código puede requerir correcciones. Es un producto de API para desarrolladores, no una aplicación de consumo.

Microsoft Azure AI Speech

Azure ofrece herramientas sólidas para desarrolladores e integración limpia con los flujos de trabajo de la nube de Microsoft, lo que lo convierte en una opción popular para equipos de ingeniería. Su documentación señala que la salida en cantonés se beneficia de revisión cuando hay cambio de código. Al igual que Google, está orientado a desarrolladores que crean sus propias aplicaciones.

iFLYTEK (科大訊飛)

iFLYTEK es una empresa líder en IA de voz y ha invertido considerablemente en Hong Kong. Ahora ofrece soporte para cantonés orientado directamente al mercado local — incluido el sistema de conferencias multilingüe iFLYREC (edición de Hong Kong y Macao) y soluciones de reunión que permiten a los usuarios alternar entre cantonés, putonghua e inglés, además de opciones locales y hardware de traducción. Es una opción seria y capaz, especialmente para implementaciones empresariales y de conferencias donde el alojamiento local o el hardware dedicado encajan en el flujo de trabajo.

ElevenLabs Scribe y Speechmatics

Ambos son motores modernos y potentes de reconocimiento de voz. ElevenLabs sitúa el cantonés en su nivel de mayor precisión, y Speechmatics anuncia alta precisión con baja latencia. Ambos son principalmente servicios en la nube, de pago y orientados a API — excelentes componentes para desarrolladores, con el audio procesado en la nube.

Resumen comparativo

No existe una opción "mejor" única — depende de lo que necesites hacer. Un desarrollador que crea un producto amará Whisper o Azure. Un organizador de conferencias puede estar mejor atendido por el sistema dedicado de iFLYTEK. Un usuario de Mac que dicta cantonés limpio tiene Apple integrado de forma gratuita.

Tres preguntas para elegir la opción correcta

1. ¿Cuánto inglés hay en tu audio? Si tus grabaciones son principalmente cantonés limpio, los benchmarks de referencia son una guía razonable. Si están llenas de inglés a mitad de frase — como la mayoría de las reuniones en Hong Kong — prioriza una herramienta específicamente diseñada u optimizada para el cambio de código.

2. ¿Dónde se procesa tu audio? La transcripción en la nube implica subir tus grabaciones a un servidor de terceros. Para reuniones sensibles o audio médico o legal, el procesamiento en dispositivo mantiene los datos en tu teléfono o computadora.

3. ¿Cuánto dominas la tecnología? Whisper, Azure y los motores de API son herramientas para desarrolladores. Los sistemas de conferencias de iFLYTEK son implementaciones empresariales. Si solo quieres abrir una aplicación, pulsar grabar y leer una transcripción, necesitas una aplicación de consumo diseñada para eso.

Dónde encaja Traverba

Traverba está diseñado para ese último grupo — usuarios cotidianos que quieren algo sencillo. Sin claves de API, sin cuenta en la nube, sin implementación empresarial. Abres la aplicación y funciona.

El enfoque es el idioma que la gente en Hong Kong realmente habla: cantonés con inglés mezclado. En lugar de tratar el inglés como algo que eliminar, Traverba está ajustado a los patrones de habla locales — el inglés a mitad de frase, los nombres de marcas y el argot de las conversaciones reales. Y como procesa en el dispositivo, tu audio permanece contigo en lugar de subirse a un servidor.

Traverba no pretende reemplazar un sistema de conferencias empresarial ni a un transcriptor humano profesional — ambos tienen su lugar. Está diseñado para los momentos cotidianos en los que el cantonés y el inglés se mezclan y simplemente necesitas texto legible, rápido, en tu propio teléfono.

Pruébalo

Traverba es gratuito en ambas plataformas — traducción de voz, traducción de cámara, traducción de pantalla y traducción de texto son todas gratuitas e ilimitadas.

Disponible en Google Play y en el App Store. Más información en traverba.com.

Cada herramienta de esta comparación destaca en algo. Si lo que necesitas es una aplicación sencilla, en dispositivo y optimizada para el cantonés e inglés cotidiano de Hong Kong, Traverba está diseñado exactamente para eso.

Las cifras de precisión mencionadas anteriormente provienen de benchmarks públicos de ASR en cantonés sobre el conjunto de datos Common Voice Yue e investigación publicada sobre el cambio de código cantonés-inglés. Las características y el soporte de idiomas reflejan las ofertas de cada proveedor a junio de 2026 y pueden cambiar. La precisión en el mundo real varía según la calidad del audio, los acentos y la cantidad de inglés en la conversación; animamos a los lectores a probar las herramientas con su propio audio.