Los investigadores observaron que los altavoces inteligentes se activaban por error 0,95 veces por hora en una prueba controlada que reprodujo dos rondas de 134 horas de contenido de Netflix a siete dispositivos (Northeastern University e Imperial College London, PETS 2020). Un estudio de laboratorio aparte, que sometió a 11 altavoces de 8 fabricantes a programas de televisión y noticieros, generó más de 1.000 disparos accidentales verificados (Ruhr University Bochum y Max Planck Institute, arXiv 2020). Esas falsas aceptaciones ahora tienen un precio legal: el acuerdo de 68 millones de dólares de Google por falsas aceptaciones de Assistant recibió 1,49 millones de reclamaciones presentadas en plazo antes de la aprobación final en octubre de 2026 (Tribunal de Distrito de EE. UU., N.D. Cal., auto en Kumandan v. Google, 2026). Por el lado del reconocimiento, una prueba de referencia de cena en casa grabada con arreglos de 7 micrófonos vio saltar la tasa de error de palabras del 42,10% con auriculares con micrófono de proximidad al 77,52% con los dispositivos de campo lejano (artículo del corpus DiPCo, 2019). Reunimos datos de Northeastern University, Ruhr University Bochum, Amazon Science, Apple Machine Learning Research, Google Research, los organizadores del desafío CHiME, Johns Hopkins University y dos expedientes de demandas colectivas federales. Cuántos hogares tienen estos dispositivos se explica en nuestras estadísticas de uso de altavoces inteligentes; este informe trata de qué tan bien escuchan.
TL;DR
- Los investigadores observaron 0,95 activaciones indebidas de altavoces inteligentes por hora, o 1,43 por cada 10.000 palabras pronunciadas, mientras sonaban programas de televisión cerca (Northeastern University e Imperial College London, PETS 2020).
- La palabra de activación Cortana produjo 197 disparos accidentales frente a 8 de Hey Siri en 624 horas de audio por altavoz (Ruhr University Bochum y Max Planck Institute, arXiv 2020).
- Usuarios de altavoces inteligentes que notaron una activación accidental al menos una vez al mes: 43,7% (encuesta de Voicebot.ai 2018, publicada por Voicebot.ai en 2020).
- Un clasificador de segunda etapa redujo las falsas alarmas de Alexa en torno a un 67% sobre el detector de primera etapa (Amazon Science, ICASSP 2018).
- El transformer de streaming de Apple suprime el 95% de los disparos falsos con un segundo extra de audio posterior al disparo (Apple Machine Learning Research 2021).
- El procesamiento de seis micrófonos del HomePod mejoró la tasa de error de palabras en torno a un 90% en términos relativos durante la reproducción de música (Apple Machine Learning Research 2018).
- Falsos rechazos de la palabra de activación con una falsa alarma por hora: 2,00% con micrófono de proximidad frente a 5,11% en arreglos de campo lejano (Personalized Voice Trigger Challenge 2020).
- Tasa de error de palabras en un corpus de cenas en casa: 42,10% con micrófono de proximidad frente a 77,52% en campo lejano (artículo del corpus DiPCo, 2019).
- Incluso los mejores sistemas de los desafíos CHiME-7 y CHiME-8 siguen por encima del 30% de tcpWER en las cenas en casa de CHiME-6 (revisión de los desafíos DASR CHiME-7/8, arXiv 2025).
- El 24,76% de las 2.552 interacciones con Alexa de adultos de 66 a 94 años implicó un error (Johns Hopkins University, arXiv 2024).
- El acuerdo de 68 millones de dólares de Google por falsas aceptaciones de Assistant recibió 1,49 millones de reclamaciones presentadas en plazo (auto de aprobación final en Kumandan v. Google, octubre de 2026).
- El acuerdo de 95 millones de dólares de Apple por Siri paga hasta 20 dólares por dispositivo por activaciones no intencionadas (administrador del acuerdo Lopez v. Apple, 2025-2026).
1. Activaciones Accidentales: Con Qué Frecuencia el Diálogo de la TV Despierta a un Altavoz
0,95 activaciones indebidas por hora suena a poco hasta que se recuerda que un televisor en una sala funciona durante horas seguidas, y que el mismo estudio halló que casi todas las activaciones detectadas localmente (el dispositivo se iluminó) también se enviaron a la nube. La cuestión de privacidad, por tanto, no es solo con qué frecuencia se activa un altavoz, sino durante cuánto tiempo sigue escuchando una vez que lo hace.
La duración es donde el estudio de Northeastern e Imperial College resulta más revelador: el décimo más largo de las activaciones duró de 8 a 10 segundos según el dispositivo, tiempo suficiente para captar una frase completa de una conversación privada. Las activaciones indebidas tampoco eran ruido aleatorio: el 20,7% de las activaciones del Google Home Mini y el 17,7% de las del HomePod se repitieron en más del 75% de las 12 ejecuciones de prueba, lo que significa que líneas concretas de diálogo engañan de forma fiable a dispositivos concretos. Las encuestas a propietarios, publicadas por Voicebot.ai, cuentan la misma historia desde el sofá.
| Métrica | Valor | Fuente |
|---|---|---|
| Contenido reproducido a los altavoces de prueba | Dos rondas de 134 horas de 12 programas de televisión, en EE. UU. y el Reino Unido, a 7 dispositivos (Google Home Mini, Apple HomePod, Harman Kardon Invoke, 2 Echo Dot de 2.ª generación, 2 Echo Dot de 3.ª generación) | Northeastern University e Imperial College London, PETS 2020 |
| Tasa de activaciones indebidas observada | 0,95 por hora, o 1,43 por cada 10.000 palabras pronunciadas | Northeastern University e Imperial College London, PETS 2020 |
| Programas de televisión que provocaron más activaciones | The West Wing: media de 4,26 activaciones por hora; Narcos: 6,21 activaciones por cada 10.000 palabras de diálogo | Northeastern University e Imperial College London, PETS 2020 |
| Duración alcanzada por el 10% más largo de las activaciones; activación individual más larga | Al menos 10 segundos en HomePod, 9 segundos en Google Home Mini, 8 segundos en Echo Dot de 2.ª generación (palabra de activación Echo); hasta 43 segundos en un experimento, tratado como valor atípico | Northeastern University e Imperial College London, PETS 2020 |
| Usuarios de altavoces inteligentes que notaron que activaron sin querer su asistente de voz al menos una vez al mes | 43,7% | Encuesta de Voicebot.ai 2018, publicada por Voicebot.ai en 2020 |
| Usuarios de búsqueda por voz en EE. UU. (incluidos teléfonos) que activaron sin querer su asistente a lo largo de un mes | 64% de 501 encuestados | Encuesta de The Manifest, publicada por Voicebot.ai en 2020 |
| Proporción de activaciones accidentales notificadas en las que el software detectó su palabra de activación sin motivo aparente | 29% | Encuesta de The Manifest, publicada por Voicebot.ai en 2020 |
Datos más recientes disponibles: Northeastern University e Imperial College London, PETS 2020, y encuestas a propietarios de 2018 a 2020. Desde entonces no se ha publicado ninguna medición independiente más amplia de activaciones indebidas, así que estas siguen siendo las cifras de referencia. El titular muy repetido “hasta 19 veces al día” salió de la cobertura de prensa, no de las tasas que informa el propio estudio.
2. Qué Palabras de Activación Fallan Más
La brecha entre palabras de activación es enorme: Cortana produjo 197 disparos accidentales mientras que Hey Siri produjo 8 con la misma reproducción. Las palabras de activación cortas y de sonido común chocan con el habla cotidiana; los investigadores hallaron que la palabra china ‘dage’ (hermano mayor) se confundía con ‘Echo’ y que la frase alemana ‘Am Sonntag’ se confundía con ‘Amazon’ en pronósticos del tiempo.
La nube actúa como segundo filtro, pero imperfecto. Solo una pequeña parte de los disparos locales de Cortana sobrevivió a la comprobación del servidor, y aun así el artículo sobre disparos accidentales halló que un disparo confirmado en la nube puede subir 10 segundos o más de audio. Un paso de verificación en la nube es, en palabras sencillas, un segundo reconocedor, más grande, en los servidores de la empresa que vuelve a escuchar el fragmento y cancela la activación si no coincide con el dispositivo.
| Métrica | Valor | Fuente |
|---|---|---|
| Alcance de la prueba | 11 altavoces inteligentes de 8 fabricantes; 13 conjuntos de datos principales de 24 horas cada uno, reproducidos dos veces (13 × 24 × 2 = 624 horas por altavoz) | Ruhr University Bochum y Max Planck Institute, arXiv 2020 |
| Disparos accidentales por palabra de activación | Cortana 197; Alexa 99; Computer 77; Amazon 57; Echo 43; OK/Hey Google 16; Hey Siri 8 | Ruhr University Bochum y Max Planck Institute, arXiv 2020 |
| Disparos de Cortana que también superaron la comprobación en la nube | 8 de 197 (8 / 197 = 4,1%) | Ruhr University Bochum y Max Planck Institute, arXiv 2020 |
| Disparos de Amazon y Google que volvieron a activarse al menos 4 veces en 10 repeticiones | Alrededor del 75% | Ruhr University Bochum y Max Planck Institute, arXiv 2020 |
| Palabra de activación ‘Computer’ disparada por los mismos episodios de Modern Family, versión en inglés frente a versión en alemán | 9 veces frente a 1 vez | Ruhr University Bochum y Max Planck Institute, arXiv 2020 |
| Audio subido tras un disparo confirmado en la nube frente al tiempo que tarda en detenerse un disparo solo local | 10 segundos o más frente a unos 1-2 segundos | Ruhr University Bochum y Max Planck Institute, arXiv 2020 |
Datos más recientes disponibles: Ruhr University Bochum y Max Planck Institute, arXiv 2020. El recuento de Alexa aparece como 99 en el texto del artículo y como 100 en una fila de una tabla resumen; usamos la cifra del texto.
3. Detección de la Palabra de Activación: Cambiar Falsos Rechazos por Falsas Alarmas
Todo motor de palabra de activación equilibra dos errores. Un falso rechazo ocurre cuando el altavoz ignora una ‘Alexa’ o un ‘Hey Siri’ reales; una falsa alarma (también llamada falsa aceptación o disparo falso) ocurre cuando se activa aunque nadie haya dicho la palabra de activación. Los ingenieros fijan una de las tasas de error y luego intentan reducir la otra, por lo que los resultados se citan como “reducción relativa con un nivel fijo de falsas alarmas” o “a 0,1 falsas aceptaciones por hora”.
El patrón entre fabricantes es una defensa por capas. El resultado principal aquí es el de Apple: 95% de los disparos falsos suprimidos con tan solo un segundo extra de audio (Apple Machine Learning Research 2021). El detector de dos etapas de Amazon y las comprobaciones basadas en lattice de Apple muestran la misma lógica: un detector barato siempre activo despierta el dispositivo, y una segunda etapa más pesada decide si sigue escuchando.
| Métrica | Valor | Fuente |
|---|---|---|
| Detector de dos etapas en el dispositivo con modelado del habla de fondo: falsos rechazos con un nivel fijo de falsas alarmas; falsas alarmas con una tasa fija de omisiones | Reducción relativa de alrededor del 16%; reducción relativa de alrededor del 37% | Amazon Science, ICASSP 2018 |
| Clasificador de segunda etapa sobre el detector de primera etapa | Alrededor de un 67% menos de falsas alarmas | Amazon Science, ICASSP 2018 |
| Tasa de disparos falsos con un modelo de lenguaje complementario, con una supresión falsa fija del 0,4% de las solicitudes reales | Reducción relativa del 38,34%, y otro 10,8% más con un modelo paralelo | Apple, Interspeech 2020 |
| Disparos falsos suprimidos por un transformer de streaming con un segundo de audio posterior al disparo | 95% | Apple Machine Learning Research 2021 |
| El mismo modelo de streaming frente a la versión sin streaming | Reducción relativa media del 18% en falsos rechazos; 32% menos de memoria en ejecución; 56% menos de tiempo de inferencia | Apple Machine Learning Research 2021 |
| Red multimicrófono frente a un modelo de canal único ejecutado en cada micrófono, a 0,1 falsas aceptaciones por hora | Reducción relativa del 27,2% (limpio) y del 31,8% (ruidoso) en falsos rechazos en conjuntos de prueba con dos micrófonos | Google Research, Odyssey 2020 |
| Diseño del disparador de voz de Siri | Dos frases de activación (‘Hey Siri’ y ‘Siri’) en 7 categorías de dispositivos; red de primera pasada comprimida a 4 bits por peso | Apple Machine Learning Research 2023 |
Contexto: los fabricantes casi nunca publican tasas absolutas de falsas aceptaciones de los productos en el mercado, solo mejoras relativas. El artículo del Complementary Language Model y el artículo multicanal de Google siguen esa convención. Datos más recientes disponibles sobre la arquitectura del sistema en el mercado: Apple Machine Learning Research, Voice Trigger System for Siri, 2023.
4. Beamforming y el Front End Acústico
Beamforming significa combinar las señales de varios micrófonos para que el arreglo ‘escuche’ hacia quien habla y no hacia el ruido. La cancelación de eco significa restar de lo que oyen sus micrófonos la propia música del altavoz. Ambos importan porque, como midió Apple, la reproducción del propio dispositivo puede sonar 30-40 dB más fuerte que la voz que intenta oír (Apple Machine Learning Research 2018).
El beneficio es mayor justo donde más sufre un altavoz inteligente: durante la reproducción de su propia música. El trabajo de cancelación de eco por capas de Amazon informa de órdenes de magnitud similares. El mismo principio direccional reduce el ruido en el oído en los audífonos, como muestran nuestras estadísticas de SNR de audífonos con micrófono direccional; un altavoz inteligente lo aplica desde el otro lado de la sala.
| Métrica | Valor | Fuente |
|---|---|---|
| Micrófonos del Apple HomePod; coste de procesamiento de su mejora de voz | Seis; menos del 15% de un solo núcleo A8 a 1,4 GHz | Apple Machine Learning Research 2018 |
| Reproducción del dispositivo (eco) frente al habla de campo lejano; eco residual tras la cancelación lineal de eco a volumen alto | 30-40 dB más fuerte; 10-20 dB por encima del habla de campo lejano | Apple Machine Learning Research 2018 |
| Mejora relativa de la tasa de error de palabras con el procesamiento multicanal del HomePod | Alrededor del 40% (habla reverberante), 90% (reproducción de música), 74% (ruido de fondo fuerte), 61% (otro hablante simultáneo) | Apple Machine Learning Research 2018 |
| Mejora absoluta en los falsos rechazos de ‘Hey Siri’ con otro hablante simultáneo | 29,0% frente a la reducción de ruido basada en máscaras; 30,3% frente a la salida del procesamiento de señal de referencia | Apple Machine Learning Research 2018 |
| Reducción de eco y de ruido del sistema por capas de Amazon en dispositivos Echo | Alrededor de 40 dB de reducción de eco; alrededor de 19 dB de reducción de ruido | Amazon Science 2018 |
| Mejora relativa de la tasa de error de palabras de las tres capas (llamadas SBNR, SBRES y NLEC por Amazon) | Alrededor del 22%, 14% y 17% | Amazon Science 2018 |
| Arreglo del dispositivo de campo lejano en las grabaciones domésticas de DiPCo | 7 micrófonos: 6 en un círculo de 35 mm de radio más 1 en el centro | Artículo del corpus DiPCo, 2019 |
| Arreglos usados en cada cena en casa de CHiME-6 | 6 dispositivos Microsoft Kinect con arreglos lineales de 4 canales (24 micrófonos de arreglo) | Artículo del desafío CHiME-6, 2020 |
Datos más recientes disponibles: Apple Machine Learning Research 2018 y Amazon Science 2018. Ambas empresas han lanzado hardware más nuevo desde entonces, pero ninguna ha publicado mediciones comparables del front end.
5. La Penalización de la Distancia en el Reconocimiento de Campo Lejano
Pasar el micrófono de la boca al otro lado de la sala casi duplica los errores de reconocimiento en pruebas controladas. La tasa de error de palabras subió del 42,10% con auriculares con micrófono de proximidad al 77,52% con dispositivos de campo lejano en las mismas sesiones de cena (artículo del corpus DiPCo, 2019), y los falsos rechazos de la palabra de activación en el Personalized Voice Trigger Challenge fueron más del doble en arreglos de campo lejano que en teléfonos con micrófono de proximidad.
El audio doméstico conversacional es mucho más difícil que un solo comando: la gente habla encima de otros, se mueve entre habitaciones y cocina. Dos términos ayudan a leer la tabla. La separación de fuentes guiada (GSS, por sus siglas en inglés) es un método multimicrófono que usa la información de quién habló y cuándo para separar cada voz, y tcpWER es una tasa de error de palabras que también penaliza las palabras asignadas al hablante equivocado o al momento equivocado. La revisión de CHiME-7 y CHiME-8 muestra que años de avances siguen dejando las cenas en casa como el escenario más difícil.
| Métrica | Valor | Fuente |
|---|---|---|
| Falsos rechazos de la palabra de activación con una falsa alarma por hora, teléfono con micrófono de proximidad frente a arreglo de micrófonos de campo lejano (conjunto de desarrollo) | 2,00% frente a 5,11% | Personalized Voice Trigger Challenge 2020 |
| Configuración de las grabaciones del desafío | 612 horas, 658.995 enunciados, 550 hablantes; arreglos de 4 o 6 canales a 1 m, 3 m y 5 m en una sala montada como hogar inteligente | Personalized Voice Trigger Challenge 2020 |
| Palabra de activación de campo lejano para hogar inteligente (‘Xiao T, Xiao T’), conjunto de evaluación: falsos rechazos y falsas alarmas | Mejor sistema solo de audio 6,38% y 4,65%; mejor sistema audiovisual 2,15% y 3,44%; línea base audiovisual oficial 10,1% y 15% | Sistema de Duke Kunshan University, ICASSP 2023 (desafío MISP 2021) |
| Tasa de error de palabras, auriculares con micrófono de proximidad frente a dispositivo de campo lejano de 7 micrófonos (conjunto de evaluación) | 42,10% frente a 77,52% | Artículo del corpus DiPCo, 2019 |
| Tasa de error de palabras de la línea base de CHiME-6 (desarrollo / evaluación), con GSS frente a un beamformer convencional (BeamformIt) | 51,8% / 51,3% frente a 69,8% / 61,2% | Artículo del desafío CHiME-6, 2020 |
| Línea base de CHiME-6 cuando el sistema también debe averiguar quién habló y cuándo (desarrollo / evaluación) | 84,3% / 77,9% | Artículo del desafío CHiME-6, 2020 |
| Tasa de error de palabras del mejor sistema de CHiME-5 (desarrollo / evaluación) | 45,6% / 46,6% (USTC-iFlytek) | Artículo del desafío CHiME-6, 2020 |
| tcpWER de CHiME-6 de los mejores sistemas de CHiME-7/8; participación en CHiME-8 | Por encima del 30%; 9 equipos que presentaron 32 sistemas | Revisión de los desafíos DASR CHiME-7/8, arXiv 2025 |
Contexto: las cifras de los desafíos miden conversación abierta, no comandos cortos, por lo que exageran el error de un altavoz ante ‘pon un temporizador’. Aun así, son la mejor evidencia pública de cuánto cuesta la propia sala, y el artículo de CHiME-6 muestra que pasar de un beamformer convencional a GSS por sí solo valió unos 18 puntos en el conjunto de desarrollo (69,8% menos 51,8%).
6. A Quién No Se Entiende: Adultos Mayores en Casa
Los fallos de la palabra de activación y del reconocimiento no se reparten de forma pareja. En un despliegue domiciliario de un mes, el 24,76% de las interacciones con Alexa de adultos de 66 a 94 años implicó un error (Johns Hopkins University, arXiv 2024), y las tasas de error no bajaron a lo largo de las cuatro semanas. Oír la solicitud era solo una parte del problema: no entender la intención fue la mayor categoría de error por sí sola.
La propia palabra de activación hace tropezar a las personas. Decir una palabra casi igual, como ‘Alexis’, explicó más equivocaciones que las activaciones falsas, que es la imagen especular del problema de la TV de la sección 1: el dispositivo es estricto con su dueño e indulgente con el televisor. Las brechas por acento y dialecto se tratan en nuestras estadísticas de sesgo de acento en el reconocimiento de voz; esta sección se centra en la edad y la cognición.
| Métrica | Valor | Fuente |
|---|---|---|
| Interacciones con un error, 15 hogares de personas de 66 a 94 años, Echo Dot, cuatro semanas | 24,76% (632 de 2.552) | Johns Hopkins University, arXiv 2024 |
| Errores de reconocimiento de voz como proporción de todos los errores | 24,4% (154 de 632) | Johns Hopkins University, arXiv 2024 |
| Errores en los que Alexa no captó la solicitud en absoluto (‘no escuchó’) | 10,9% (69 de 632) | Johns Hopkins University, arXiv 2024 |
| Errores causados por decir la palabra de activación equivocada (por ejemplo, ‘Alexis’) | 7,8% (49 de 632) | Johns Hopkins University, arXiv 2024 |
| Errores causados por activaciones falsas (disparos indebidos); proporción resuelta al reintentar | 2,4% (15 de 632); 6,7% | Johns Hopkins University, arXiv 2024 |
| Fallos de reconocimiento de la intención, la mayor categoría de error | 32,3% (204 de 632) | Johns Hopkins University, arXiv 2024 |
| Errores de reconocimiento de voz en comandos de Alexa leídos por 83 adultos mayores, grupo con demencia frente a grupo cognitivamente normal | Significativamente mayores en el grupo con demencia | Cohn et al., arXiv 2026 |
El estudio de 2026 sobre demencia informa de que la intensidad de la voz, la calidad vocal y la proporción de pausas predijeron la precisión del reconocimiento, lo que vincula la brecha de edad con la acústica: las voces más bajas y más sopladas pierden más energía al cruzar la sala antes de llegar al arreglo.
7. Las Falsas Aceptaciones en los Tribunales y en la Política de las Empresas
Las falsas aceptaciones han pasado de ser una métrica de laboratorio a una responsabilidad legal. El acuerdo de Google tiene un período de la clase que empieza el 18 de mayo de 2016 y una clase de privacidad definida en torno a grabaciones de falsas aceptaciones, y llegaron 1,49 millones de reclamaciones presentadas en plazo frente a avisos enviados por correo electrónico a 173.814.291 direcciones (Tribunal de Distrito de EE. UU., N.D. Cal., auto de aprobación final en Kumandan v. Google, octubre de 2026). Según nuestro cálculo, eso es una tasa de reclamaciones de alrededor del 0,86% de las direcciones notificadas (1,49 millones / 173.814.291); el propio auto no indica ninguna tasa de reclamaciones.
El acuerdo de Siri, paralelo, de Apple cubre activaciones no intencionadas de Siri durante conversaciones privadas a lo largo de una década. La política de las empresas también ha cambiado: Apple declaró en enero de 2025 que no conserva grabaciones de audio de las interacciones con Siri a menos que los usuarios lo autoricen de forma explícita (Apple Newsroom 2025).
| Métrica | Valor | Fuente |
|---|---|---|
| Fondo del acuerdo de Google Assistant por falsas aceptaciones; fecha de aprobación final | US$ 68.000.000, no revertible; 13 de octubre de 2026 | Tribunal de Distrito de EE. UU., N.D. Cal., auto en Kumandan v. Google, 2026 |
| Entrega de avisos y exclusiones | Correos a 173.814.291 direcciones, 98,76% entregados; 217 solicitudes de exclusión válidas y 7 objeciones | Tribunal de Distrito de EE. UU., N.D. Cal., auto en Kumandan v. Google, 2026 |
| Pago estimado por miembro de la clase | Unos US$ 18 a US$ 56 (clase de compradores); unos US$ 2 a US$ 10 (clase de privacidad) | Tribunal de Distrito de EE. UU., N.D. Cal., auto en Kumandan v. Google, 2026 |
| Honorarios de abogados concedidos | US$ 22.666.666,70 (un tercio del fondo) | Tribunal de Distrito de EE. UU., N.D. Cal., auto en Kumandan v. Google, 2026 |
| Acuerdo de Apple por activaciones no intencionadas de Siri | Fondo de US$ 95 millones; hasta US$ 20 por dispositivo con Siri, hasta cinco dispositivos; período de la clase del 17 de septiembre de 2014 al 31 de diciembre de 2024 | Administrador del acuerdo Lopez v. Apple, 2025-2026 |
| Proporción de fragmentos de audio de Assistant revisados por expertos en idiomas | Alrededor del 0,2% | Google, blog The Keyword, julio de 2019 |
| Proporción de solicitudes a Siri escuchadas por evaluadores humanos antes de que Apple suspendiera la evaluación | Menos del 0,2% | Apple Newsroom, agosto de 2019 |
Contexto: la declaración de Google sobre datos de voz de 2019 describió las falsas aceptaciones como poco frecuentes, y la declaración de Apple de 2019 se comprometió a eliminar las grabaciones consideradas disparos inadvertidos. Ninguna de las dos empresas publicó la frecuencia de las falsas aceptaciones, razón por la que los estudios de laboratorio de las secciones 1 y 2 siguen siendo la principal evidencia pública.
Resumen: Beamforming de Altavoces Inteligentes de Campo Lejano y Precisión de la Palabra de Activación en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Activaciones indebidas mientras sonaban programas de televisión cerca | 0,95 por hora, o 1,43 por cada 10.000 palabras | Northeastern University e Imperial College London, PETS 2020 |
| 10% más largo de las activaciones | 8 a 10 segundos o más, según el dispositivo | Northeastern University e Imperial College London, PETS 2020 |
| Disparos accidentales, Cortana frente a Hey Siri, 624 horas por altavoz | 197 frente a 8 | Ruhr University Bochum y Max Planck Institute, arXiv 2020 |
| Usuarios de altavoces inteligentes que notan una activación accidental al menos una vez al mes | 43,7% | Encuesta de Voicebot.ai 2018, publicada por Voicebot.ai en 2020 |
| Falsas alarmas eliminadas por un clasificador de segunda etapa | Alrededor del 67% | Amazon Science, ICASSP 2018 |
| Reducción de disparos falsos con un modelo de lenguaje complementario | 38,34% relativa | Apple, Interspeech 2020 |
| Disparos falsos suprimidos con un segundo extra de audio | 95% | Apple Machine Learning Research 2021 |
| Reducción de falsos rechazos con una red de dos micrófonos a 0,1 falsas aceptaciones por hora | 27,2% limpio, 31,8% ruidoso | Google Research, Odyssey 2020 |
| Nivel de la reproducción del dispositivo frente al habla de campo lejano | 30-40 dB más fuerte | Apple Machine Learning Research 2018 |
| Mejora de la tasa de error de palabras con el procesamiento del HomePod durante la reproducción de música | Alrededor del 90% relativa | Apple Machine Learning Research 2018 |
| Reducción de eco en dispositivos Echo | Alrededor de 40 dB | Amazon Science 2018 |
| Falsos rechazos de la palabra de activación, micrófono de proximidad frente a campo lejano | 2,00% frente a 5,11% | Personalized Voice Trigger Challenge 2020 |
| Mejor sistema audiovisual de palabra de activación de campo lejano, falsos rechazos y falsas alarmas | 2,15% y 3,44% | Sistema de Duke Kunshan University, ICASSP 2023 |
| Tasa de error de palabras, micrófono de proximidad frente a campo lejano | 42,10% frente a 77,52% | Artículo del corpus DiPCo, 2019 |
| Línea base de CHiME-6, GSS frente a beamformer convencional (conjunto de desarrollo) | 51,8% frente a 69,8% | Artículo del desafío CHiME-6, 2020 |
| Mejores sistemas de CHiME-7/8 en las cenas en casa de CHiME-6 | Por encima del 30% de tcpWER | Revisión de los desafíos DASR CHiME-7/8, arXiv 2025 |
| Interacciones con Alexa con un error, adultos de 66 a 94 años | 24,76% | Johns Hopkins University, arXiv 2024 |
| Acuerdo de Google Assistant por falsas aceptaciones y reclamaciones presentadas en plazo | US$ 68 millones; 1,49 millones | Tribunal de Distrito de EE. UU., N.D. Cal., auto en Kumandan v. Google, 2026 |
| Acuerdo de Apple por activaciones no intencionadas de Siri | US$ 95 millones; hasta US$ 20 por dispositivo | Administrador del acuerdo Lopez v. Apple, 2025-2026 |
Metodología y Fuentes
Hicimos 15 búsquedas y leímos el artículo primario, el expediente judicial o la página de la empresa para cada cifra anterior. Cuando solo se publica una mejora relativa, la presentamos como relativa; no convertimos mejoras relativas en tasas absolutas. Las dos cifras de acuerdos son registros judiciales y de administradores, no mediciones técnicas.
- Northeastern University e Imperial College London, When Speakers Are All Ears: Characterizing Misactivations of IoT Smart Speakers, PETS 2020
- Voicebot.ai, informe sobre la encuesta de The Manifest y la encuesta de Voicebot de 2018, enero de 2020
- Ruhr University Bochum y Max Planck Institute for Security and Privacy, Unacceptable, where is my privacy? Exploring Accidental Triggers of Smart Speakers, arXiv 2020
- Amazon Science, Monophone-based Background Modeling for Two-stage On-device Wake Word Detection, ICASSP 2018
- Amazon Science, cancelación de eco multicapa y mejora de voz para altavoces inteligentes, 2018
- Apple Machine Learning Research, Complementary Language Model and Parallel Bi-LRNN for False Trigger Mitigation, Interspeech 2020
- Apple Machine Learning Research, Streaming Transformer for Hardware Efficient Voice Trigger Detection and False Trigger Mitigation, 2021
- Apple Machine Learning Research, Voice Trigger System for Siri, 2023
- Apple Machine Learning Research, Optimizing Siri on HomePod in Far-Field Settings, 2018
- Google Research, Small Footprint Multi-channel Keyword Spotting, Odyssey 2020
- The 2020 Personalized Voice Trigger Challenge: Open Database, Evaluation Metrics and the Baseline Systems, arXiv 2021
- Duke Kunshan University, Post-Challenge Audio-Visual Wake Word Spotting System for the MISP 2021 Challenge, ICASSP 2023
- DiPCo, Dinner Party Corpus, 2019
- CHiME-6 Challenge: Tackling Multispeaker Speech Recognition for Unsegmented Recordings, 2020
- Cornell et al., Recent Trends in Distant Conversational Speech Recognition: A Review of CHiME-7 and 8 DASR Challenges, arXiv 2025
- Johns Hopkins University, Situated Understanding of Errors in Older Adults’ Interactions with Voice Assistants: A Month-Long, In-Home Study, arXiv 2024
- Cohn et al., errores de reconocimiento de voz en adultos mayores con y sin demencia que usan Amazon Alexa, arXiv 2026
- Tribunal de Distrito de EE. UU., N.D. Cal., Kumandan v. Google, auto de aprobación final, 13 de octubre de 2026
- Lopez v. Apple, sitio del administrador del Lopez Voice Assistant Settlement, 2025-2026
- Google, More information about our processes to safeguard speech data, julio de 2019
- Apple Newsroom, Improving Siri’s privacy protections, agosto de 2019
- Apple Newsroom, Our longstanding privacy commitment with Siri, enero de 2025
- Nota sobre los datos: la mayoría de las mediciones técnicas de este informe son de 2018 a 2023, porque los fabricantes de altavoces inteligentes publican mejoras relativas y notas de arquitectura en lugar de tasas absolutas de falsas aceptaciones de los dispositivos en el mercado; trate toda cifra de 2018-2021 como el dato más reciente disponible, no como el rendimiento actual de los productos. La cifra ‘hasta 19 veces al día’ que circula sobre el estudio de Northeastern es un titular de prensa, no una tasa que informe el estudio. El artículo sobre disparos accidentales da 99 disparos de Alexa en su texto y 100 en una fila de una tabla resumen. El artículo multicanal de Google figura con reducciones de falsos rechazos del 27,2% y el 31,8% en su página de Google Research; otros listados de versiones relacionadas muestran cifras distintas, así que cite la versión que leyó. El estudio de Johns Hopkins da su tasa semanal de errores como 20-30% en el texto y 21-26% en el pie de una figura. Las encuestas de Voicebot 2018 y The Manifest no son comparables (la segunda incluye teléfonos y pulsaciones de botón). Los pagos del acuerdo de Google no se habían distribuido en el momento del auto de octubre de 2026, y el auto informa de las reclamaciones al 17 de septiembre de 2026, además de más de 40.000 reclamaciones tardías que podrían aceptarse.
Última actualización: 24 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se distribuyan los pagos del acuerdo Kumandan v. Google y se publiquen las actas de ICASSP 2027.