En los noticieros de cadena en español de EE. UU., el 85% de las muestras analizadas superó un techo de latencia de 7 segundos en los subtítulos, y el subtítulo promedio llegó 8,2 segundos después de pronunciadas las palabras (Fresno, JoSTrans 2024). La precisión cuenta una historia paralela: en la programación de noticias, los subtituladores humanos alcanzaron una precisión NER del 99,4%, mientras que los subtítulos automáticos sin editar llegaron al 97,4%, por debajo del mínimo de calidad del 98% (Romero-Fresco y Fresno, Linguistica Antverpiensia 2023). Mientras tanto, las quejas sobre subtítulos ocultos en televisión presentadas ante la FCC pasaron de 310 en 2023 a 683 en 2024 (FCC CGB Consumer Complaints Data). Reunimos datos de la FCC, de investigadores de la Gallaudet University, de los estudios de NER de la Universidade de Vigo y de la University of Texas Rio Grande Valley, del Open ASR Leaderboard, de la OMS y de más de una docena de artículos revisados por pares. Para una visión más amplia del retraso en todos los formatos en vivo, consulta nuestro resumen complementario sobre latencia del subtitulado en tiempo real.
TL;DR
- Los subtítulos humanos en noticias de EE. UU. obtuvieron una precisión NER del 99,4%, frente al 97,4% de los subtítulos automáticos sin editar (Romero-Fresco y Fresno, Linguistica Antverpiensia 2023).
- Los noticieros en español de EE. UU. promediaron un 97,04% de precisión NER, por debajo del umbral del 98% (Fresno, JoSTrans 2024).
- El 85% de las muestras de noticieros en español superó un techo de latencia de 7 segundos (Fresno, JoSTrans 2024).
- Los subtítulos originales de la televisión en vivo iban de 7 a 12 segundos por detrás del habla; los subtítulos automáticos de la misma prueba iban unos 2 segundos por detrás (Thompson et al., arXiv 2026).
- Los espectadores perdieron aproximadamente 1 punto de calificación de calidad por cada 7,5 segundos de retraso en los subtítulos de televisión (Thompson et al., arXiv 2026).
- Solo 11 de 70 fragmentos de televisión en vivo y 4 de 70 fragmentos de ASR alcanzaron el 98% de NER (Thompson et al., arXiv 2026).
- Los subtítulos automáticos cometieron unos 22 errores por minuto frente a 5 de la estenotipia en un estudio de caso de 2020 en EE. UU. (Romero-Fresco y Fresno, 2023).
- Las quejas ante la FCC sobre subtítulos ocultos en televisión llegaron a 683 en 2024, frente a 310 en 2023 (FCC CGB Consumer Complaints Data).
- El 65% de todos los errores de un sistema de subtitulado automático certificado eran errores de puntuación (Romero-Fresco y Van Gauwbergen, Applied Sciences 2025).
- La carga mental de trabajo de los subtituladores en vivo se calificó como similar a la de los neurocirujanos, en un estudio con 30 subtituladores (Nam et al., Applied Ergonomics 2023).
- El mejor resultado de ASR en inglés para audio largo en el Open ASR Leaderboard fue de 7,32% de WER (artículo del Open ASR Leaderboard, arXiv 2025, datos de marzo de 2026).
1. Precisión de los Subtítulos de Noticias en Vivo: Humanos vs Automáticos
El hallazgo principal de la mayor comparación entre humanos y máquinas hasta la fecha no es que los subtítulos automáticos fallen, sino que fallan en una franja concreta. Los subtítulos automáticos sin editar en noticias alcanzaron una precisión NER del 97,4% en un estudio de caso de 2021 en EE. UU., frente al 99,4% de los subtítulos humanos en el mismo género (Romero-Fresco y Fresno, Linguistica Antverpiensia 2023). Dos puntos de NER parecen poco, pero son la diferencia entre aprobar y suspender: el 98% es el umbral aceptable, y la puntuación automática equivalió a solo 3,5 en la escala NER de 10 puntos.
Las noticias resultan además el género más favorable para las máquinas. En el mismo estudio de caso, los subtítulos automáticos en deportes cayeron al 95,4%, mientras que los subtítulos humanos en deportes subieron al 99,6%, de modo que la brecha se amplía justo donde el habla se vuelve rápida y se solapa. El estudio analizó unos 17.000 subtítulos en vivo en cuatro estudios de caso en el Reino Unido, EE. UU. y Canadá entre 2018 y 2022.
| Métrica | Valor | Fuente |
|---|---|---|
| Subtítulos humanos, género noticias de EE. UU., precisión NER | 99,4% | Romero-Fresco y Fresno, Linguistica Antverpiensia 2023 (estudio de caso Enco, 2021) |
| Subtítulos automáticos, género noticias de EE. UU., precisión NER | 97,4% (3,5 de 10) | Romero-Fresco y Fresno, Linguistica Antverpiensia 2023 (estudio de caso Enco, 2021) |
| Estenotipia vs respeaking vs automático, EE. UU. | 99,1% vs 98,6% vs 96,3% | Romero-Fresco y Fresno, Linguistica Antverpiensia 2023 (estudio de caso Vitac, 2020) |
| Subtítulos del Reino Unido: respeaking vs Microsoft vs Google | 97% vs 96% vs 95,5% | Romero-Fresco y Fresno, Linguistica Antverpiensia 2023 (estudio de caso Sky, 2018) |
| Subtítulos humanos en vivo de Canadá, NER medio | 98,9% (7 de 10) | Romero-Fresco y Fresno, Linguistica Antverpiensia 2023 (Canadá, 2019-2021) |
| Tamaño de la muestra canadiense | 440 fragmentos de diez minutos, 9.300 subtítulos | Romero-Fresco y Fresno, Linguistica Antverpiensia 2023 |
| Subtítulos en vivo del Reino Unido, evaluación encargada por Ofcom, precisión global | 98,4% en 78.000 subtítulos | Romero-Fresco y Fresno, 2023, citando el proyecto de Ofcom 2013-2015 |
Nota de contexto: los estudios de caso datan de 2018 a 2021, por lo que son anteriores a los motores de voz más recientes. Los mismos autores señalan que los motores más nuevos alcanzaron una precisión NER de entre 99,1% y 99,9% en condiciones controladas, con un solo hablante y audio limpio, justo lo contrario de una conexión remota en una noticia de última hora. Artículo completo: The accuracy of automatic and human live captions in English. Datos más recientes disponibles del proyecto de Ofcom: 2013-2015.
2. Retraso en la Aparición de Subtítulos en Noticias en Vivo
Es en la latencia donde los subtítulos de noticias en vivo pierden espectadores antes de que una sola palabra sea errónea. El 85% de las muestras analizadas de noticieros en español de EE. UU. superó un techo de latencia de 7 segundos (Fresno, JoSTrans 2024), y los retrasos individuales fueron de 0,7 a 41 segundos. Un subtítulo de 41 segundos en un segmento informativo rápido describe una historia distinta de la que aparece en pantalla.
El lado automático del mercado tiene aquí una ventaja estructural. Los subtítulos automáticos suelen ir de 2 a 3 segundos por detrás del habla, frente a 4 a 10 segundos de los subtítulos humanos (Romero-Fresco y Van Gauwbergen, Applied Sciences 2025). El estudio de 2026 de la Gallaudet midió retrasos de 7 a 12 segundos en los subtítulos originales de televisión de sus fragmentos en vivo, mientras que su condición de ASR, producida por el proveedor de broadcast AppTek, tuvo una media de 2 segundos (Thompson et al., arXiv 2026). Por tanto, la disyuntiva de las cadenas no es precisión frente a nada, sino precisión frente a tiempo.
| Métrica | Valor | Fuente |
|---|---|---|
| Retraso medio de los subtítulos, noticieros de Telemundo vs Univision | 8,2 vs 8,3 segundos | Fresno, JoSTrans 2024 |
| Proporción de muestras de noticieros en español con latencia superior a 7 segundos | 85% | Fresno, JoSTrans 2024 |
| Rango de retrasos individuales de subtítulos | 0,7 a 41 segundos | Fresno, JoSTrans 2024 |
| Referencia de latencia citada para subtítulos en EE. UU. | 6 a 7 segundos aceptable, objetivo de 4 a 5 segundos | Fresno, JoSTrans 2024 (según se cita en el estudio) |
| Retraso de los subtítulos originales de televisión en vivo en los fragmentos de prueba | 7 a 12 segundos | Thompson et al., Gallaudet University, arXiv 2026 |
| Retraso de los subtítulos de ASR en la misma prueba | media de 2 segundos (más o menos 0,05 s de jitter) | Thompson et al., Gallaudet University, arXiv 2026 |
| Retraso típico, subtítulos automáticos vs humanos | 2-3 s vs 4-10 s | Romero-Fresco y Van Gauwbergen, Applied Sciences 2025 |
| Latencia de los subtítulos en el Super Bowl LII y en el debate presidencial de 2016 | 5,3 s y 6,1 s | Fresno, JoSTrans 2024 (resumiendo estudios anteriores) |
Nota sobre valores atípicos: la propia norma de la FCC no contiene ningún número de segundos. La cifra de 6 a 7 segundos es una referencia que cita Fresno en el estudio de JoSTrans sobre noticieros en español, no un límite codificado (véase la sección 6).
3. Tasa de Error de Palabras vs NER: Por Qué las Métricas No Coinciden
La tasa de error de palabras es la cifra por defecto en el reconocimiento de voz, y penaliza a los subtituladores humanos por hacer su trabajo. Los subtituladores profesionales en vivo condensan el habla para seguir el ritmo; el WER cuenta cada palabra omitida como un error, sobreviva o no el significado. En el estudio de 2026 de la Gallaudet, los subtítulos de televisión tuvieron un WER medio del 33,8% pero un NER medio del 95,28%, mientras que los subtítulos de ASR tuvieron un WER medio del 17,2% y un NER medio del 94,34% (Thompson et al., arXiv 2026). La máquina “gana” en WER y pierde en NER.
El resultado más importante es que ninguna métrica sigue a los espectadores por igual entre tecnologías. En los subtítulos de televisión, el WER se correlacionó con las calificaciones de calidad de los espectadores en r = -0,687 (p < 0,001), pero en los subtítulos de ASR la correlación bajó a r = -0,390 (p = 0,003). El NER mostró el mismo patrón: r = 0,647 para televisión frente a r = 0,383 para ASR. Un regulador que elige una métrica está eligiendo también, sin decirlo, una tecnología.
| Métrica | Valor | Fuente |
|---|---|---|
| NER medio, subtítulos de televisión vs subtítulos de ASR | 95,28 vs 94,34 | Thompson et al., arXiv 2026 |
| Fragmentos que alcanzan el umbral de 98 NER, televisión vs ASR | 11 de 70 vs 4 de 70 | Thompson et al., arXiv 2026 |
| Correlación del NER con las calificaciones de los espectadores, televisión vs ASR | r = 0,647 vs r = 0,383 | Thompson et al., arXiv 2026 |
| Correlación del ACE2 con las calificaciones de los espectadores, televisión vs ASR | r = -0,631 vs r = -0,291 | Thompson et al., arXiv 2026 |
| Puntuación media de ACE2, televisión vs ASR (menor es mejor) | 0,67 vs 0,52 | Thompson et al., arXiv 2026 |
| Tamaño del efecto de la diferencia de WER, televisión vs ASR | d = 0,86 | Thompson et al., arXiv 2026 |
| Tamaño del efecto de la diferencia en la calificación de calidad, televisión vs ASR | d = -0,13 | Thompson et al., arXiv 2026 |
Nota de contexto: los espectadores calificaron los subtítulos de televisión y de ASR de forma casi idéntica (d = -0,13) aunque la brecha de WER era grande (d = 0,86). Un estudio anterior del CHI 2024 del mismo grupo de la Gallaudet halló solo una correlación débil entre WER, WER ponderado, ACE y ACE2 y las calificaciones de los espectadores (Arroyo Chavez et al., arXiv 2404.10153). El artículo de 2026 es un preprint: Are Caption Metrics Broken?.
4. Cómo Son los Errores de Subtitulado en la Práctica
Los recuentos de errores ocultan los tipos de error. En los noticieros en español de EE. UU., entre el 41% y el 46% de los subtítulos contenía al menos un error, pero el 82% de esos errores eran leves, el 16% estándar y el 2% graves (Fresno, JoSTrans 2024). Los errores leves ralentizan la lectura; los graves crean información falsa, como una cifra equivocada en un parte del mercado.
Los sistemas automáticos fallan de otra manera. En la certificación NER de 2025 de un sistema de subtitulado automático, el 65% de todos los errores provino de la puntuación, y la identificación de hablantes elevó las tasas de error entre un 50% y un 100% en vídeos con varios hablantes (Romero-Fresco y Van Gauwbergen, Applied Sciences 2025). Los subtituladores humanos editan; las máquinas transcriben. La tasa de edición del sistema automático fue del 0,07%, frente a entre el 6% y el 33% de los subtítulos humanos según la región, lo que explica tanto su mayor fidelidad en WER como su dificultad para mantener el ritmo de los lectores.
| Métrica | Valor | Fuente |
|---|---|---|
| Subtítulos de noticieros en español con al menos un error | 41-46% | Fresno, JoSTrans 2024 |
| Distribución de la gravedad de los errores, noticieros en español (leve / estándar / grave) | 82% / 16% / 2% | Fresno, JoSTrans 2024 |
| Distribución de la gravedad de los errores, subtítulos automáticos en inglés (leve / estándar / grave) | 89,2% / 10% / 0,8% | Romero-Fresco y Van Gauwbergen, Applied Sciences 2025 |
| Proporción de errores de los subtítulos automáticos que proviene de la puntuación | 65% | Romero-Fresco y Van Gauwbergen, Applied Sciences 2025 |
| Aumento de la tasa de error con varios hablantes | 50-100% | Romero-Fresco y Van Gauwbergen, Applied Sciences 2025 |
| Tasa de edición, subtítulos automáticos vs humanos | 0,07% vs 6-33% | Romero-Fresco y Van Gauwbergen, Applied Sciences 2025 |
| Errores por minuto: estenotipia vs respeaking vs automático | 5 vs 7 vs 22 | Romero-Fresco y Fresno, Linguistica Antverpiensia 2023 (Vitac, 2020) |
| Reducción de texto, subtítulos de noticieros en español | 26% | Fresno, JoSTrans 2024 |
Nota de contexto: la velocidad de lectura explica la reducción. Los presentadores de noticieros en español hablaron a un promedio de 167 palabras por minuto, mientras que los subtítulos promediaron 121 palabras por minuto (11,574 caracteres por segundo); el 39% de los subtítulos superó los 15 caracteres por segundo (Fresno, JoSTrans 2024). A modo de comparación, el DCMP Captioning Key fija velocidades de presentación que no deben superar las 160 palabras por minuto ni siquiera en contenido de nivel avanzado. Fuente de los datos de certificación: Fit for What Purpose? NER Certification of Automatic Captions.
5. Impacto en los Espectadores: Retraso, Errores y Fatiga
Los datos de los espectadores ponen precio a cada segundo de desfase. Los subtítulos de televisión con su retraso original de emisión recibieron una calificación de calidad de 3,66 sobre 7, frente a 5,09 cuando los mismos subtítulos estaban sincronizados, y los subtítulos de ASR con 2 segundos de retraso aún obtuvieron 4,81 (Thompson et al., arXiv 2026). El estudio estimó aproximadamente un punto de calificación perdido por cada 7,5 segundos de retraso en los subtítulos de televisión. Un participante lo resumió con claridad: prefería subtítulos incompletos y sincronizados a subtítulos mejores pero retrasados.
Los errores también le cuestan al hablante, no solo al espectador. En un experimento preregistrado con 207 participantes de EE. UU., los subtítulos de ASR propensos a errores redujeron de forma constante la valoración tanto del hablante como del contenido (Kadoma, Shrivastava y Naaman, arXiv 2026). Y los subtítulos que ayudan a la comprensión pueden aun así cansar a los espectadores: en una prueba de laboratorio de audiología, los subtítulos imperfectos y con retraso elevaron el reconocimiento de frases del 63% al 77%, pero produjeron aumentos mayores en la fatiga subjetiva (Esser, Picou y Hornsby, American Journal of Audiology 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Calificación de calidad, subtítulos de televisión con retraso vs sincronizados (escala de 7 puntos) | 3,66 vs 5,09 | Thompson et al., arXiv 2026 |
| Calificación de comprensión, subtítulos de televisión con retraso vs sincronizados | 4,74 vs 5,65 | Thompson et al., arXiv 2026 |
| Pérdida de calificación por unidad de retraso en los subtítulos de televisión | Aprox. 1 punto por 7,5 segundos | Thompson et al., arXiv 2026 |
| Participantes de la encuesta que usan subtítulos a diario | 84,7% de 216 | Thompson et al., arXiv 2026 |
| Reconocimiento de frases con vs sin subtítulos imperfectos | 77% vs 63% | Esser et al., American Journal of Audiology 2025 |
| Palabras habladas mostradas correctamente en los subtítulos de la prueba | 86-88% | Esser et al., American Journal of Audiology 2025 |
| Participantes en el experimento de evaluación de errores en subtítulos | 207 | Kadoma et al., arXiv 2026 |
| Espectadores por crowdsourcing en la evaluación de la estabilidad de los subtítulos | 123 | Liu et al., CHI Extended Abstracts 2023 |
Nota de contexto: la audiencia es amplia. La OMS estima que más del 5% de la población mundial, es decir, 430 millones de personas, necesita rehabilitación por pérdida auditiva discapacitante, cifra que superará los 700 millones en 2050 (ficha informativa de la OMS sobre sordera y pérdida de audición, 2026). El texto provisional de ASR que parpadea añade una carga aparte; Liu et al. hallaron que las técnicas de estabilización redujeron la distracción y la fatiga de los espectadores. Las plataformas de vídeo corto afrontan el mismo problema a otra escala, como vemos en nuestro resumen sobre subtítulos en vídeos cortos.
6. Normas de la FCC y Quejas sobre Subtítulos
Las normas de EE. UU. definen la calidad con palabras, no con números. Según el 47 CFR 79.1, los subtítulos deben ser precisos, síncronos, completos y estar bien colocados, y “deben comenzar a aparecer en el momento en que comienzan el habla o los sonidos correspondientes”. Las normas sí restringen el método más barato de noticias en vivo: ABC, CBS, Fox y NBC y sus afiliadas en los 25 mercados principales no pueden contar para el cumplimiento los subtítulos de la Técnica de Redacción Electrónica (Electronic Newsroom Technique, ENT) basados en teleprompter. Las emisoras de otros mercados que usan ENT deben preparar guion para las noticias, deportes y el tiempo emitidos desde el estudio y complementar las noticias de última hora sin guion con rótulos desplazables u otro texto.
Los datos de quejas muestran una fricción creciente. Las quejas sobre subtítulos ocultos en televisión en la base de quejas de consumidores de la FCC pasaron de 310 en 2023 a 683 en 2024, un aumento del 120% ((683 - 310) / 310), y se mantuvieron elevadas en 604 en 2025 (FCC CGB Consumer Complaints Data). Las quejas sobre subtítulos por internet alcanzaron su máximo antes, con 705 en 2023.
| Métrica | Valor | Fuente |
|---|---|---|
| Quejas: subtítulos ocultos en televisión, 2023 / 2024 / 2025 | 310 / 683 / 604 | FCC CGB Consumer Complaints Data (consultado en octubre de 2026) |
| Quejas: subtítulos ocultos por internet, 2023 / 2024 / 2025 | 705 / 472 / 339 | FCC CGB Consumer Complaints Data |
| Quejas sobre subtítulos ocultos en televisión, 2026 hasta la fecha | 376 | FCC CGB Consumer Complaints Data |
| Quejas acumuladas desde el 31 de octubre de 2014: subtítulos en televisión vs por internet | 4.139 vs 3.057 | FCC CGB Consumer Complaints Data |
| Quejas generales sobre subtitulado, 2009-2013 | 2.323 (promedio de 465 al año) | FCC Caption Quality Report and Order, FCC 14-12 (2014) |
| Plazo para presentar una queja sobre subtitulado | 60 días después del problema | eCFR, 47 CFR 79.1(g)(1) |
| Plazo del distribuidor para responder a una queja remitida por la FCC | 30 días | eCFR, 47 CFR 79.1(g)(4) |
| Nivel de ingresos por debajo del cual un canal está exento de subtitular | Menos de USD 3.000.000 al año | eCFR, 47 CFR 79.1(d)(12) |
Nota de contexto: la FCC indica que no verifica los hechos alegados en estas quejas informales, y las categorías las elige el consumidor, por lo que la base no permite aislar las noticias en vivo del resto de la programación (CGB Consumer Complaints Data). La cifra de 2009-2013 procede de un sistema de registro distinto descrito en la resolución sobre calidad de subtítulos FCC 14-12, por lo que las dos series no deben leerse como una única línea de tendencia. Los servicios de retransmisión para personas sordas y con dificultades auditivas son un programa afín de la FCC, detallado en nuestras estadísticas de TRS y VRS.
7. El Cambio en la Fuerza Laboral y la Tecnología
El lado humano del subtitulado en vivo está bajo presión. Treinta subtituladores en vivo calificaron su carga mental subjetiva de trabajo como alta, similar a la de los neurocirujanos, en la escala NASA-TLX, con la paráfrasis y la situación laboral como principales factores (Nam et al., Applied Ergonomics 2023). Los autores sugieren que los subtituladores pasen a supervisar subtítulos generados por IA en lugar de teclear cada palabra. La presión de oferta sobre los subtituladores en tiempo real se aborda en nuestro resumen de estadísticas de CART.
Los flujos híbridos ya muestran mejoras medibles. CARTGPT, que usa grandes modelos de lenguaje y ASR para corregir las transcripciones humanas de CART, mejoró la precisión de palabras en un 5,6% sobre el CART de referencia y en un 17,3% sobre el ASR de última generación en un conjunto de datos de 39,7 horas (Wu, Kleiver y Jain, ASSETS 2025). Los benchmarks muestran cuánto han avanzado los motores en bruto: el mejor resultado de audio corto en inglés en el Open ASR Leaderboard fue de 5,42% de WER, y el mejor de audio largo, de 7,32% (artículo del Open ASR Leaderboard, arXiv 2025, datos del 27 de marzo de 2026).
| Métrica | Valor | Fuente |
|---|---|---|
| Subtituladores en vivo en el estudio de carga de trabajo | 30 | Nam et al., Applied Ergonomics 2023 |
| Mejora de precisión de palabras de CARTGPT vs CART de referencia / vs ASR | 5,6% / 17,3% | Wu et al., ASSETS 2025 |
| Sistemas de ASR y conjuntos de datos en el Open ASR Leaderboard | 86 modelos, 12 conjuntos de datos | Artículo del Open ASR Leaderboard, arXiv 2025 |
| Mejor WER en inglés para audio corto en el leaderboard | 5,42% (Cohere Labs Transcribe) | Artículo del Open ASR Leaderboard, arXiv 2025 |
| WER en inglés para audio largo: mejor propietario vs Whisper Large v3 | 7,32% vs 11,2% | Artículo del Open ASR Leaderboard, arXiv 2025 |
| Subtítulos automáticos certificados, NER global: inglés vs español | 99,03% vs 98,77% | Romero-Fresco y Van Gauwbergen, Applied Sciences 2025 |
| Rango de WER de los subtítulos clínicos en tiempo real para adultos sordos y con dificultades auditivas | 12,7% a 22,8% | Hughes et al., JMIR Rehabilitation and Assistive Technology 2026 |
| Usuarios de subtítulos clínicos que los encontraron fáciles de seguir | 90% (26 de 29 simulaciones) | Hughes et al., JMIR Rehabilitation and Assistive Technology 2026 |
Nota de contexto: el WER del leaderboard se mide con audio de benchmark, no con noticias en vivo con varios hablantes, voces superpuestas y conexiones remotas, y no dice nada sobre el retraso. Fuentes: artículo del Open ASR Leaderboard, CARTGPT, Nam et al. y Hughes et al.. La transcripción en los tribunales muestra una brecha similar entre la precisión de benchmark y la real, véanse nuestras estadísticas de reconocimiento de voz en tribunales.
Resumen: Retraso de los Subtítulos y Tasa de Error de Palabras en Noticias en Vivo en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Subtítulos humanos, noticias de EE. UU., precisión NER | 99,4% | Romero-Fresco y Fresno, 2023 |
| Subtítulos automáticos, noticias de EE. UU., precisión NER | 97,4% | Romero-Fresco y Fresno, 2023 |
| Noticieros en español de EE. UU., precisión NER | 97,04% | Fresno, JoSTrans 2024 |
| Muestras de noticieros en español con latencia superior a 7 segundos | 85% | Fresno, JoSTrans 2024 |
| Retraso medio de los subtítulos en noticieros en español | 8,2 segundos | Fresno, JoSTrans 2024 |
| Retraso de los subtítulos originales de televisión en vivo en los fragmentos de prueba | 7 a 12 segundos | Thompson et al., arXiv 2026 |
| Retraso típico, subtítulos automáticos vs humanos | 2-3 s vs 4-10 s | Romero-Fresco y Van Gauwbergen, 2025 |
| WER medio, subtítulos de televisión vs ASR | 33,8% vs 17,2% | Thompson et al., arXiv 2026 |
| Fragmentos que alcanzan 98 de NER, televisión vs ASR | 11 de 70 vs 4 de 70 | Thompson et al., arXiv 2026 |
| Calificación de calidad, subtítulos de televisión con retraso vs sincronizados | 3,66 vs 5,09 sobre 7 | Thompson et al., arXiv 2026 |
| Errores por minuto, estenotipia vs automático | 5 vs 22 | Romero-Fresco y Fresno, 2023 |
| Errores de los subtítulos automáticos que provienen de la puntuación | 65% | Romero-Fresco y Van Gauwbergen, 2025 |
| Subtítulos de noticieros en español con al menos un error | 41-46% | Fresno, JoSTrans 2024 |
| Subtítulos en vivo del Reino Unido, precisión global (2013-2015) | 98,4% | Romero-Fresco y Fresno, 2023, citando el proyecto de Ofcom |
| Quejas ante la FCC sobre subtítulos de televisión, 2023 vs 2024 | 310 vs 683 | FCC CGB Consumer Complaints Data |
| Quejas ante la FCC sobre subtítulos de televisión, 2025 | 604 | FCC CGB Consumer Complaints Data |
| Quejas sobre subtitulado presentadas ante la FCC, 2009-2013 | 2.323 | FCC 14-12 (2014) |
| Carga de trabajo de los subtituladores en vivo | Similar a la de los neurocirujanos | Nam et al., Applied Ergonomics 2023 |
| Mejor WER de ASR en inglés para audio largo | 7,32% | Artículo del Open ASR Leaderboard, arXiv 2025 |
| Personas que necesitan rehabilitación por pérdida auditiva discapacitante | 430 millones | Ficha informativa de la OMS, 2026 |
Metodología y Fuentes
- Romero-Fresco, P. y Fresno, N.: The accuracy of automatic and human live captions in English, Linguistica Antverpiensia 22 (2023)
- Fresno, N.: Closed Captions en espanol. Live Captioning Quality in Spanish-language Newscasts in the U.S., The Journal of Specialised Translation (2024)
- Romero-Fresco, P. y Van Gauwbergen, Y.: Fit for What Purpose? NER Certification of Automatic Captions in English and Spanish, Applied Sciences 15(3) (2025)
- Thompson, B. et al. (Gallaudet University): Are Caption Metrics Broken? Latency, Deaf and Hard of Hearing User Ratings, and Bias across Technologies, preprint de arXiv (2026)
- Arroyo Chavez, M. et al. (Gallaudet University): How Users Experience Closed Captions on Live Television, CHI 2024
- Romero-Fresco, P.: Negotiating quality assessment in media accessibility: the case of live subtitling, Universal Access in the Information Society (2020)
- FCC: CGB Consumer Complaints Data, consultado por tipo de queja y año en octubre de 2026
- FCC: Closed Captioning Quality Report and Order, FCC 14-12 (2014)
- eCFR: 47 CFR 79.1, Closed captioning of televised video programming
- DCMP: Captioning Key, Presentation Rate
- Esser, K., Picou, E. y Hornsby, B.: Imperfect Captions Paired to Audiovisual Stimuli Improve Speech Recognition but Do Not Reduce Listening-Related Fatigue, American Journal of Audiology (2025)
- Kadoma, K., Shrivastava, P. y Naaman, M.: Lost in Transcription, arXiv (2026)
- Liu, X. et al.: Modeling and Improving Text Stability in Live Captions, CHI Extended Abstracts (2023)
- Nam, S. et al.: Assessing subjective workload for live captioners, Applied Ergonomics (2023)
- Wu, L.-Y., Kleiver, A. y Jain, D.: CARTGPT: Real-Time Correction of CART Captions Using Large Language Models, ASSETS 2025
- Hughes, S. et al.: Assessing the Role of Medical Caption Technology, JMIR Rehabilitation and Assistive Technology (2026)
- Open ASR Leaderboard: Towards Reproducible and Transparent Multilingual and Long-Form Speech Recognition Evaluation, arXiv (2025, resultados al 27 de marzo de 2026)
- OMS: Deafness and hearing loss fact sheet (2026)
- Nota sobre los datos: el estudio de la Gallaudet sobre latencia y métricas (Thompson et al.) y el experimento de Kadoma et al. son preprints y pueden cambiar tras la revisión por pares. Los estudios de caso de Romero-Fresco y Fresno datan de 2018 a 2022, y el proyecto de Ofcom sobre subtitulado en vivo se desarrolló de 2013 a 2015 (los datos más recientes disponibles sobre la precisión en el Reino Unido). Las páginas de Ofcom y del CRTC devolvieron protección antibots o errores 403 durante la investigación, por lo que las cifras del Reino Unido y de Canadá se citan a través de los artículos revisados por pares que las publican. La referencia de latencia de 6 a 7 segundos y las cifras del Super Bowl LII y del debate de 2016 son las que informa Fresno (2024); el propio 47 CFR 79.1 no fija ningún límite numérico de retraso. Los recuentos de quejas ante la FCC son informales, no verificados y categorizados por el consumidor, no aíslan las noticias en vivo, y la cifra de 2026 es parcial hasta la fecha; el aumento del 120% es un cálculo propio a partir de los recuentos de 2023 y 2024. El estudio de los noticieros en español (2024) abarca dos cadenas y 200 minutos. Las cifras de WER del leaderboard son resultados de benchmark y no miden el retraso en noticias en vivo.
Última actualización: 4 de octubre de 2026. Actualizamos este resumen trimestralmente, y la próxima revisión se espera cuando el estudio de la Gallaudet sobre métricas de subtítulos complete la revisión por pares y la base de quejas de la FCC cierre el año natural 2026.