Los datos de entrenamiento de reconocimiento de voz detrás de Whisper, de OpenAI, contenían 438.218 horas de inglés, pero solo 0,1 horas cada uno de lao, sundanés y birmano (OpenAI, artículo de Whisper 2022). Esa brecha es la cola larga del reconocimiento de voz en una sola línea, frente a 7.170 idiomas en uso en el mundo (Ethnologue, How Many Languages 2026). El umbral para una precisión útil parece más bajo de lo que sugiere esa brecha: un estudio de 2025 logró una tasa de error de palabras inferior al 13% con apenas 50 horas de datos de entrenamiento (Akera et al., estudio de escala de datos en kinyarwanda y kikuyu 2025). El crowdsourcing está llenando parte del vacío, con Mozilla Common Voice en 29.295 horas validadas (Mozilla, repositorio cv-dataset de Common Voice 2026). Las brechas de precisión entre acentos dentro de los grandes idiomas se tratan en nuestras estadísticas de sesgo de acento en el reconocimiento de voz; este informe analiza idiomas completos. Reunimos datos de Ethnologue, del artículo de Whisper de OpenAI, de los artículos de MMS y Omnilingual ASR de Meta, de los artículos de USM y FLEURS de Google, de Mozilla Common Voice, de Project Vaani, de IndicVoices, de NaijaVoices, de African Next Voices y de benchmarks recientes de ASR en idiomas africanos.
TL;DR
- Hoy hay 7.170 idiomas en uso, y cerca del 44% están en peligro, a menudo con menos de 1.000 usuarios (Ethnologue, How Many Languages 2026).
- Solo 195 de 546 idiomas de bajos recursos (36%) lograron una tasa de error de caracteres inferior a 10 en el modelo de 7B de Meta, frente a 236 de 249 idiomas de altos recursos (Meta FAIR, artículo de Omnilingual ASR 2025).
- El 65% del audio de entrenamiento de Whisper era reconocimiento de voz en inglés, 438.218 horas, mientras que otros 96 idiomas se repartían 117.113 horas (OpenAI, artículo de Whisper 2022).
- Un modelo de kinyarwanda logró una tasa de error de palabras inferior al 13% con apenas 50 horas de datos de entrenamiento (Akera et al., estudio de escala de datos 2025).
- El mejor modelo de suajili pasó de un 24,81% de WER con 1 hora de datos a un 11,36% con 400 horas (Nahabwe et al., Benchmarking ASR Models for African Languages 2025).
- Mozilla Common Voice Scripted Speech reúne 42.593 horas, 29.295 de ellas validadas, en la versión 27.0 (Mozilla, repositorio cv-dataset de Common Voice 2026).
- Project Vaani ha grabado 31.278,37 horas de habla india, pero solo cerca del 6,8% está transcrito (IISc y ARTPARK, panel de Project Vaani 2026).
- African Next Voices grabó más de 9.000 horas en 18 idiomas en Kenia, Nigeria y Sudáfrica (Universidad de Pretoria, noticia sobre African Next Voices 2025).
- El ajuste fino con el corpus NaijaVoices, de 1.800 horas, mejoró la tasa de error de palabras promedio de Whisper en un 75,86% en igbo, hausa y yoruba (artículo del conjunto de datos NaijaVoices, Interspeech 2025).
- El Universal Speech Model de Google superó a Whisper en un 66% de WER relativo en 62 idiomas de FLEURS con un conjunto etiquetado unas siete veces más pequeño (Google, artículo de USM 2023).
- IndicVoices reúne 7.348 horas de 16.237 hablantes en 22 idiomas de la India (artículo del conjunto de datos IndicVoices 2024).
1. Cuántos de los Idiomas del Mundo Cuentan con Algún Reconocimiento de Voz
El denominador es la historia. Ethnologue contabiliza 7.170 idiomas en uso hoy, y solo 20 de ellos, el 0,3% del total, son la lengua materna de más de 3,7 mil millones de personas (Ethnologue, How Many Languages 2026). El reconocimiento de voz siguió esa concentración: todavía en 2023, el Universal Speech Model de Google cubría más de 100 idiomas.
Incluso el sistema abierto más amplio de hoy, con más de 1.600 idiomas, alcanza apenas una quinta parte de la cifra de Ethnologue. La pérdida de idiomas es el otro lado de esta brecha, y la tratamos en nuestras estadísticas de idiomas en peligro de extinción. Solo África suma más de 2.000 idiomas, muchos de ellos sin datos de habla transcritos.
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas en uso en el mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Proporción de idiomas vivos que están en peligro | Cerca del 44%, a menudo con menos de 1.000 usuarios restantes | Ethnologue, How Many Languages 2026 |
| Hablantes nativos de los 20 idiomas más grandes | Más de 3,7 mil millones de personas, casi la mitad de la población mundial, en el 0,3% de todos los idiomas | Ethnologue, How Many Languages 2026 |
| Idiomas hablados en África | Más de 2.000, muchos sin datos de habla transcritos | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Idiomas cubiertos por el Universal Speech Model de Google para reconocimiento de voz | Más de 100 | Google, artículo de USM 2023 |
| Idiomas del Octavo Anexo de la Constitución de la India cubiertos por IndicASR, que sus autores llaman el primer modelo en admitirlos todos | 22 | Artículo del conjunto de datos IndicVoices 2024 |
| Idiomas cubiertos por el sistema de ASR abierto más amplio | Más de 1.600 (más de 500 nunca atendidos antes por ningún sistema de ASR), cerca del 22% de los 7.170 en uso (1.600 / 7.170) | Meta FAIR, artículo de Omnilingual ASR 2025; Ethnologue 2026 |
Contexto: ese sistema de más de 1.600 idiomas deja fuera deliberadamente unas 150 lenguas de señas, lenguas construidas e idiomas sin un sistema de escritura establecido, así que parte del total no cubierto queda fuera del alcance de un reconocimiento de voz que produce texto. Dato más reciente disponible para USM: 2023.
2. Horas de Entrenamiento: Inglés frente a la Cola Larga
Los datos de entrenamiento para reconocimiento de voz no son una distribución, son un precipicio. Los datos de reconocimiento de voz en inglés de Whisper (438.218 horas) eran unas 81.000 veces mayores que sus datos de suajili (5,4 horas) (438.218 / 5,4 = 81.151), y el lao, el sundanés y el birmano recibieron 0,1 horas cada uno. Incluso frente al chino, el idioma no inglés mejor abastecido, con 23.446 horas, el inglés tenía unas 19 veces más audio (438.218 / 23.446 = 18,7).
Los sistemas más nuevos clasifican los idiomas en categorías de recursos, y los límites son reveladores: un idioma cuenta como de altos recursos (bien abastecido de datos de entrenamiento) a partir de solo 50 horas. Los conjuntos de datos creados a propósito pueden llevar a un idioma al otro lado de esa línea: IndicVoices informa una mediana de 73 horas transcritas por idioma en sus 22 idiomas (artículo del conjunto de datos IndicVoices 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| Audio de entrenamiento de Whisper: reconocimiento de voz en inglés frente a otros 96 idiomas | 438.218 horas (65%) frente a 117.113 horas (17%) | OpenAI, artículo de Whisper 2022 |
| Horas de reconocimiento de voz de Whisper por idioma, mayor frente a menor | Chino 23.446; alemán 13.344; español 11.100 frente a suajili 5,4; lao, sundanés y birmano 0,1 cada uno | OpenAI, artículo de Whisper 2022 |
| Idiomas del benchmark FLEURS sin ningún dato de entrenamiento de Whisper | 20 de 102 | OpenAI, artículo de Whisper 2022 |
| Idiomas de Omnilingual ASR según datos de entrenamiento etiquetados: más de 50 horas / de 10 a 50 horas / menos de 10 horas | 249 / 881 / 546 idiomas | Meta FAIR, artículo de Omnilingual ASR 2025 |
| Datos de evaluación de FLEURS por idioma | Cerca de 12 horas de habla en cada uno de los 102 idiomas | Google, artículo de FLEURS 2022 |
| Audio transcrito de IndicVoices | 1.639 horas, mediana de 73 horas por idioma | Artículo del conjunto de datos IndicVoices 2024 |
Dato más reciente disponible para Whisper: 2022. Las horas anteriores son solo de datos de reconocimiento de voz, separados del audio de traducción de Whisper. No encontramos un desglose equivalente por idioma para versiones posteriores de Whisper.
3. Tasas de Error: Idiomas de Bajos Recursos frente a Idiomas de Altos Recursos
La tasa de error de palabras (WER) es la proporción de palabras que un sistema se equivoca, contando sustituciones, omisiones e inserciones; como las palabras insertadas cuentan, puede superar el 100% cuando un modelo produce más palabras erróneas de las que contiene la referencia. Whisper large-v2 obtuvo un 4,2% de WER en inglés, pero un 121,0% en shona en el benchmark FLEURS, de modo que en shona los errores superaron a las palabras realmente pronunciadas (OpenAI, artículo de Whisper 2022). Una forma conocida de llegar a eso es que el modelo escriba texto fluido que nadie dijo, el modo de fallo que seguimos en nuestras estadísticas de alucinación en el reconocimiento de voz.
Los modelos más nuevos siguen dejando la brecha abierta. En la tabla siguiente, la tasa de error de caracteres (CER, la misma idea contada por letra en lugar de por palabra) se mantuvo por debajo de 10 en cerca del 95% de los idiomas con 10 o más horas de datos (1.077 de 1.130), pero en poco más de un tercio del grupo con menos de 10 horas. Dentro de un mismo modelo, solo el volumen de datos separa esos resultados.
| Métrica | Valor | Fuente |
|---|---|---|
| Tasa de error de palabras de Whisper large-v2 en FLEURS: inglés / español / suajili | 4,2% / 3,0% / 39,3% | OpenAI, artículo de Whisper 2022 |
| Tasa de error de palabras de Whisper large-v2 en FLEURS: yoruba / somalí / shona / sindhi | 94,8% / 102,9% / 121,0% / 156,5% | OpenAI, artículo de Whisper 2022 |
| Idiomas de Omnilingual 7B LLM-ASR con tasa de error de caracteres inferior a 10, por nivel de recursos: alto / medio / bajo | 236 de 249 / 841 de 881 / 195 de 546 (el artículo redondea la proporción de bajos recursos al 36%) | Meta FAIR, artículo de Omnilingual ASR 2025 |
| Tasa de error de caracteres promedio de Omnilingual 7B LLM-ASR: idiomas de altos recursos frente a idiomas de bajos recursos | 3,13 frente a 18,0 | Meta FAIR, artículo de Omnilingual ASR 2025 |
Nota sobre valores atípicos: las filas de Whisper provienen de la tabla de large-v2 del artículo de 2022, la tabla por idioma más reciente disponible de este tipo. WER y CER son medidas distintas, por lo que las filas de Whisper y de Omnilingual no pueden compararse directamente.
4. Cuántos Datos Cierran la Brecha
El hallazgo alentador de 2025 es que el umbral para un reconocimiento utilizable se mide en decenas de horas, no en miles. Un modelo de kinyarwanda alcanzó una precisión práctica, una tasa de error de palabras inferior al 13%, con apenas 50 horas de datos de entrenamiento, y bajó del 10% a las 200 horas (Akera et al., estudio de escala de datos 2025). Si eso se cumple en otros idiomas, una sola campaña de grabación financiada basta para un primer modelo utilizable.
La calidad de los datos también cuenta. El mismo estudio atribuyó el 38,6% de los casos de error alto a transcripciones de referencia con ruido, es decir, que una parte de los “errores” se debía a que el texto de referencia estaba mal. Y los resultados de suajili en un benchmark aparte de 13 idiomas muestran lo que compra el volumen por sí solo: pasar de 1 a 400 horas redujo a menos de la mitad la mejor tasa de error, y aun así el 11,36% sigue muy por encima de la puntuación de Whisper en inglés vista en la sección 3.
| Métrica | Valor | Fuente |
|---|---|---|
| Datos de entrenamiento de kinyarwanda necesarios para una tasa de error de palabras inferior al 13% | Apenas 50 horas | Akera et al., estudio de escala de datos en kinyarwanda y kikuyu 2025 |
| Tasa de error de palabras en kinyarwanda con 200 horas de datos de entrenamiento | Inferior al 10% | Akera et al., estudio de escala de datos en kinyarwanda y kikuyu 2025 |
| Casos de error alto causados por transcripciones de referencia con ruido | 38,6% | Akera et al., estudio de escala de datos en kinyarwanda y kikuyu 2025 |
| Idiomas africanos evaluados, con subconjuntos de ajuste fino de 1, 5, 10, 20, 50, 100 y 200 horas | 13 idiomas (solo el suajili tuvo además un subconjunto de 400 horas) | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Mejor tasa de error de palabras en suajili con 400 horas de datos de ajuste fino (XLS-R frente a Whisper) | 11,36% frente a 16,88% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
Contexto: los 13 idiomas del benchmark de Nahabwe et al. son afrikáans, akan, bambara, bemba, ewé, kinyarwanda, lingala, luganda, shona, suajili, wolof, xhosa y zulú.
5. Conjuntos de Datos de Habla Colaborativos y Comunitarios
Los conjuntos de datos abiertos, creados por comunidades, son donde los datos de habla de la cola larga se hacen públicos. El conjunto Scripted Speech de Mozilla Common Voice creció unas 31 veces, de 1.368 horas en su primera versión a 42.593 horas en la versión 27.0 (42.593 / 1.368 = 31,1), y el repositorio lista 295 idiomas (Mozilla, repositorio cv-dataset de Common Voice 2026). El cuello de botella ha pasado de la grabación a la verificación: cerca del 31% de esas horas no está validado (29.295 / 42.593 = 68,8% validado).
Los proyectos regionales muestran el mismo patrón a mayor escala. Project Vaani ha reunido más de 31.000 horas de habla india, pero solo ha transcrito cerca del 6,8% (2.122,21 / 31.278,37), y ha llegado a 165 de los 773 distritos de la India (21,3%). En África, dos proyectos divulgados en 2025 suman más de 10.800 horas entre ambos (más de 9.000 más 1.800), frente a las 5,4 horas de suajili en los datos de reconocimiento de voz de Whisper.
| Métrica | Valor | Fuente |
|---|---|---|
| Horas totales de Common Voice Scripted Speech: versión 1 frente a versión 27.0 (corte de datos en septiembre de 2026) | 1.368 frente a 42.593 horas | Mozilla, repositorio cv-dataset de Common Voice 2026 |
| Horas validadas de Common Voice Scripted Speech, versión 27.0 | 29.295 (68,8% del total) | Mozilla, repositorio cv-dataset de Common Voice 2026 |
| Idiomas listados en Common Voice Scripted Speech: versión 19.0 (2024) frente a versión 27.0 (2026) | 131 frente a 295 | Mozilla, lanzamiento de Common Voice 19.0 2024; repositorio cv-dataset 2026 |
| Common Voice Spontaneous Speech versión 5.0 | 541 horas (302 validadas), 80 idiomas | Mozilla, repositorio cv-dataset de Common Voice 2026 |
| Habla recopilada por Project Vaani en la India | 31.278,37 horas de 156.208 hablantes en 105 idiomas, 165 de 773 distritos | IISc y ARTPARK, panel de Project Vaani 2026 |
| Habla transcrita de Project Vaani | 2.122,21 horas (cerca del 6,8% del audio recopilado) | IISc y ARTPARK, panel de Project Vaani 2026 |
| Habla grabada por African Next Voices | Más de 9.000 horas en 18 idiomas en 3 países | Universidad de Pretoria, noticia sobre African Next Voices 2025 |
| Datos de habla y texto de NaijaVoices | 1.800 horas de más de 5.000 hablantes en igbo, hausa y yoruba | Artículo del conjunto de datos NaijaVoices, Interspeech 2025 |
Contexto: la meta declarada de Project Vaani es más de 150.000 horas de habla de los 773 distritos, así que el panel actual representa cerca de una quinta parte del audio previsto (31.278,37 / 150.000 = 20,9%).
6. Enfoques: Preentrenamiento Autosupervisado, Lecturas de Textos Religiosos y Extensión con Pocos Ejemplos
La cola larga se está alcanzando con tres tácticas. El preentrenamiento autosupervisado (el modelo aprende primero de audio sin transcribir y luego solo necesita un pequeño conjunto etiquetado) es la capa base; el Universal Speech Model de Google superó a Whisper en un 66% de tasa de error de palabras relativa en 62 idiomas de FLEURS usando un conjunto etiquetado unas siete veces más pequeño (Google, artículo de USM 2023). Las lecturas de textos religiosos de acceso público le dieron al proyecto MMS un promedio de 32 horas por idioma, un promedio que se sitúa dentro de la franja de 10 a 50 horas de la sección 2.
La táctica más reciente es la extensión con pocos ejemplos (few-shot): darle a un modelo un puñado de ejemplos pareados de audio y texto en el momento de ejecutarlo y dejar que se adapte sin reentrenamiento. El panorama más amplio de los modelos compartidos que manejan muchos idiomas a la vez se trata en nuestras estadísticas de modelos fundacionales de habla multilingüe. La eficiencia de datos también cambia según el diseño: con 1 hora de suajili, MMS, que se basa en preentrenamiento autosupervisado, superó a Whisper por 26,52 puntos de WER (51,33 - 24,81).
| Métrica | Valor | Fuente |
|---|---|---|
| Datos etiquetados de MMS construidos a partir de lecturas de textos religiosos | 44,7 mil horas en 1.107 idiomas, cerca de 32 horas por idioma en promedio | Meta AI, artículo y blog de MMS 2023 |
| Tasa de error de caracteres en idiomas no vistos en el entrenamiento: modelo base CTC frente a modelo zero-shot (sin reentrenamiento) con 10 ejemplos de contexto | 26,33% frente a 14,4% | Meta FAIR, artículo de Omnilingual ASR 2025 |
| Datos de entrenamiento supervisado de USM frente a los de Whisper, sin el inglés | 90 mil horas frente a 117 mil horas, con Whisper superado en un 66% de WER relativo en 62 idiomas de FLEURS | Google, artículo de USM 2023 |
| Tasa de error de palabras en suajili tras 1 hora de ajuste fino: MMS / W2v-BERT / Whisper / XLS-R | 24,81% / 32,36% / 51,33% / 58,23% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Mejora promedio de la tasa de error de palabras tras el ajuste fino con NaijaVoices: Whisper / MMS / XLSR | 75,86% / 52,06% / 42,33% | Artículo del conjunto de datos NaijaVoices, Interspeech 2025 |
Nota sobre valores atípicos: el artículo de USM describe su conjunto etiquetado de YouTube como de 73 idiomas en la introducción y de 75 en la sección 3.1. Dato más reciente disponible para MMS y USM: 2023.
Resumen: Cobertura del Reconocimiento de Voz en Idiomas de Bajos Recursos en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas en uso en el mundo | 7.170 | Ethnologue, How Many Languages 2026 |
| Idiomas cubiertos por el sistema de ASR abierto más amplio | Más de 1.600, más de 500 nunca atendidos antes | Meta FAIR, artículo de Omnilingual ASR 2025 |
| Idiomas de bajos recursos (menos de 10 horas) con tasa de error de caracteres inferior a 10 | 195 de 546 (36%) | Meta FAIR, artículo de Omnilingual ASR 2025 |
| Proporción del audio de entrenamiento de Whisper que era reconocimiento de voz en inglés | 65% (438.218 horas) | OpenAI, artículo de Whisper 2022 |
| Idiomas hablados en África | Más de 2.000 | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Datos de kinyarwanda necesarios para una tasa de error de palabras inferior al 13% | Apenas 50 horas | Akera et al., estudio de escala de datos 2025 |
| Tasa de error de palabras en kinyarwanda con 200 horas | Inferior al 10% | Akera et al., estudio de escala de datos 2025 |
| Mejor tasa de error de palabras en suajili: 1 hora frente a 400 horas de datos de ajuste fino | 24,81% frente a 11,36% | Nahabwe et al., Benchmarking ASR Models for African Languages 2025 |
| Horas de Common Voice Scripted Speech, versión 27.0 | 42.593 en total, 29.295 validadas | Mozilla, repositorio cv-dataset de Common Voice 2026 |
| Idiomas listados en Common Voice Scripted Speech | 295 | Mozilla, repositorio cv-dataset de Common Voice 2026 |
| Audio de Project Vaani recopilado frente a transcrito | 31.278,37 frente a 2.122,21 horas | IISc y ARTPARK, panel de Project Vaani 2026 |
| Audio de IndicVoices | 7.348 horas, 16.237 hablantes, 22 idiomas | Artículo del conjunto de datos IndicVoices 2024 |
| Habla grabada por African Next Voices | Más de 9.000 horas, 18 idiomas | Universidad de Pretoria, noticia sobre African Next Voices 2025 |
| Datos de habla y texto de NaijaVoices | 1.800 horas, 3 idiomas | Artículo del conjunto de datos NaijaVoices, Interspeech 2025 |
| USM frente a Whisper en 62 idiomas de FLEURS | 66% menos de WER relativo | Google, artículo de USM 2023 |
Metodología y Fuentes
- Ethnologue, How Many Languages Are There in the World? (página consultada en octubre de 2026): idiomas vivos, proporción de idiomas en peligro, concentración de los 20 idiomas más grandes.
- OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision (artículo de Whisper), 2022: horas de entrenamiento por idioma (Figura 11) y tasas de error de palabras en FLEURS (Tabla 13).
- Meta, Scaling Speech Technology to 1,000+ Languages (artículo de MMS), 2023, con el anuncio de MMS; y Omnilingual ASR: Open-Source Multilingual Speech Recognition for 1600+ Languages, 10 de noviembre de 2025.
- Google, artículo de Universal Speech Model, 2023, y artículo del benchmark FLEURS, 2022.
- Mozilla, repositorio cv-dataset de Common Voice (versión 27.0, corte de datos en septiembre de 2026), la publicación del lanzamiento de Common Voice 19.0 (anunciado el 18 de septiembre de 2024) y las notas de la versión de Scripted Speech 26.0 (19 de junio de 2026).
- IISc y ARTPARK, panel en vivo de Project Vaani (consultado en octubre de 2026).
- Artículo del conjunto de datos IndicVoices, 4 de marzo de 2024.
- Akera et al., How much speech data is necessary for ASR in African languages?, 8 de octubre de 2025.
- Nahabwe et al., Benchmarking Automatic Speech Recognition Models for African Languages, 30 de noviembre de 2025.
- The NaijaVoices Dataset, aceptado en Interspeech 2025.
- Universidad de Pretoria, African Next Voices featured in Nature, 1 de agosto de 2025.
- Nota sobre los datos: los recuentos de idiomas difieren según la fuente y el método (los 7.170 de Ethnologue cuentan idiomas en uso; los artículos de ASR cuentan códigos ISO 639-3 y excluyen las lenguas de señas y los idiomas sin escritura), por lo que las proporciones de cobertura son aproximaciones. El recuento de idiomas de Common Voice saltó de 131 (versión 19.0) a 295 (versión 27.0); el repositorio no aclara si la cifra más nueva cuenta solo idiomas con audio publicado, así que debe tratarse como idiomas listados. La proporción validada del 68,8% se calcula a partir de los datos del gráfico del repositorio, mientras que las notas de la versión 26.0 describen cerca del 25% del audio de Scripted Speech como pendiente aún de validación; las dos medidas no son idénticas. Cuando se anunció la versión 19.0, un comentario en el foro señaló que solo 129 de sus 131 idiomas podían descargarse, por lo que los recuentos de idiomas listados y publicados pueden diferir. Las cifras de African Next Voices provienen de una página de noticias de una universidad que resume la cobertura de Nature, y no leímos un artículo del conjunto de datos. Las cifras de Whisper (2022), FLEURS (2022), MMS (2023) y USM (2023) tienen todas más de tres años y se marcan como dato más reciente disponible. El texto del artículo de Omnilingual (549) y su Tabla 8 (546) discrepan sobre el número de idiomas de bajos recursos; usamos los valores de la tabla.
Última actualización: 31 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando Mozilla publique la versión 28.0 de Common Voice Scripted Speech.