Las puntuaciones de reconocimiento de voz parecen excelentes hasta que quien habla no suena como los datos de prueba. El Open ASR Leaderboard de Hugging Face, una de las clasificaciones públicas de modelos de transcripción más seguidas, ha añadido dos nuevos conjuntos de prueba privados dirigidos justo a ese hueco: inglés conversacional con acento egipcio y nigeriano, aportado por la empresa de datos Liva AI.
Las nuevas grabaciones son breves. El conjunto egipcio dura 1,34 horas y el nigeriano 1,55 horas, ambos de conversación espontánea transcrita con puntuación, mayúsculas y disfluencias como los arranques en falso. Se suman a 11 particiones privadas añadidas hace unos meses por Appen y DataOceanAI, con habla leída y conversacional en cinco acentos, y a un conjunto privado posterior de inglés con acento indio de Voice Arena.
Lo importante es que sean privados. Los benchmarks públicos acaban filtrándose a los datos de entrenamiento y los modelos pueden ajustarse a ellos, una práctica que los responsables del leaderboard llaman benchmaxxing. Un audio reservado que los desarrolladores no pueden descargar es más difícil de manipular, así que la puntuación de un modelo en él dice más sobre cómo tratará a usuarios reales. Con los nuevos acentos, la pestaña privada del leaderboard ofrece ahora dos comparaciones: hablantes de Estados Unidos frente al resto, que incluye Reino Unido, Australia, Canadá, India, Nigeria y Egipto, y el círculo interior de países de habla inglesa nativa frente a India, Nigeria y Egipto, según el modelo de los tres círculos del inglés del lingüista Braj Kachru.
Para quien elija un modelo de transcripción entre los que reseñamos, como Qwen3-ASR, Whisper Large v3 Turbo o Parakeet, es una segunda opinión útil. Un modelo que lidera con habla estadounidense leída y limpia puede caer mucho con una conversación rápida y con acento, que es el audio con el que trabajan de verdad muchos centros de llamadas, clínicas y juzgados.
Los límites son claros. Menos de tres horas de audio nuevo, de un único proveedor, es una muestra pequeña; las diferencias pequeñas entre modelos en estas particiones no deberían considerarse significativas. Dos acentos no representan la variedad del inglés que se habla en África y Oriente Próximo, y los responsables dicen que solo subdividirán los círculos exterior y en expansión a medida que lleguen más acentos. Los datos privados tienen además dos caras: resisten la manipulación, pero nadie de fuera puede revisarlos para comprobar su calidad o equilibrio. Liva AI recoge sus datos mediante productos de consumo, que el anuncio presenta como habla natural, pero no se dan detalles sobre el consentimiento ni el número de hablantes.