El Omnilingual ASR de Meta transcribe más de 1.600 idiomas, entre ellos más de 500 que ningún sistema de reconocimiento de voz había atendido jamás (Meta FAIR, Omnilingual ASR 2025), y aun así eso es menos de una cuarta parte de los 7.170 idiomas vivos de la edición 2026 de Ethnologue. Dos años antes, el punto de referencia era Whisper, entrenado con 680.000 horas, de las cuales solo 117.000 se repartían entre 96 idiomas distintos del inglés (OpenAI, artículo de Whisper 2022). El mayor corpus abierto de colaboración colectiva, Mozilla Common Voice, abarca ahora 289 idiomas y 38.932 horas (Common Voice 24.0, 2025), y los productos de más rápido crecimiento, desde la traducción en vivo hasta el dictado, se apoyan todos en estos modelos fundacionales, como también recoge nuestro compendio de estadísticas de voz a texto. Agregamos datos de Meta FAIR, OpenAI, Google Research, Ethnologue, UNESCO, Mozilla, NVIDIA, Hugging Face, PNAS, MarketsandMarkets y otras fuentes primarias que se enumeran en la metodología.
TL;DR
- Omnilingual ASR cubre más de 1.600 idiomas, más de 500 de ellos nunca atendidos antes por ASR (Meta FAIR, Omnilingual ASR 2025).
- El aprendizaje en contexto zero-shot podría extender Omnilingual ASR a más de 5.400 idiomas (Meta, noviembre de 2025).
- Existen 7.170 idiomas vivos, una ganancia neta de 11 en un año (Ethnologue, 29.ª edición 2026).
- El 40% de la población mundial no accede a educación en un idioma que entiende (Informe GEM de la UNESCO 2025).
- MMS de Meta identifica 4.017 idiomas hablados y transcribe 1.107 (Meta, artículo de MMS 2023).
- USM de Google se entrenó con 12 millones de horas de voz en más de 300 idiomas (Google Research 2023).
- Whisper large-v3 se entrenó con cerca de 5 millones de horas, 4 millones de ellas con pseudoetiquetas (OpenAI, nov. 2023).
- La tasa de error de palabras de Whisper se reduce a la mitad con cada aumento de 16 veces en los datos de entrenamiento por idioma (OpenAI, artículo de Whisper 2022).
- Common Voice 24.0: 38.932 horas en 289 idiomas (Mozilla, dic. 2025).
- Tasa de error de caracteres inferior a 10 en el 78% de los idiomas de Omnilingual ASR (Meta, nov. 2025).
- Gemini 3.5 Live Translate admite más de 70 idiomas y más de 2.000 combinaciones en una sola llamada de Meet (Google, jun. 2026).
- Los hablantes negros tuvieron una WER media de 0,35 frente a 0,19 de los hablantes blancos en cinco sistemas comerciales (PNAS, 2020).
1. La Brecha de Idiomas: 7.170 Idiomas, Unos Cientos Atendidos
El denominador importa. La 29.ª edición de Ethnologue cuenta 7.170 idiomas vivos, un aumento neto de 11 respecto al año anterior tras más de 8.000 actualizaciones de su base de datos, con ocho idiomas reclasificados de extintos a vivos (Ethnologue, Bienvenidos a la 29.ª edición, febrero de 2026). Antes de 2023, señaló el equipo de MMS, los sistemas de voz convencionales manejaban solo en torno a 100 de ellos. Incluso tras el salto a más de 1.600, aproximadamente tres de cada cuatro idiomas vivos siguen sin un reconocedor de voz listo para usar.
La brecha no es meramente académica. El equipo del Informe de Seguimiento de la Educación en el Mundo de la UNESCO señala que el 40% de la población mundial no accede a educación en un idioma que entiende, proporción que llega al 90% en algunos países de ingresos bajos y medios (Informe GEM de la UNESCO, Languages Matter). La tecnología de voz que omite esos idiomas también omite a las personas para quienes las interfaces de voz serían más importantes, un tema que nuestras estadísticas de idiomas en peligro abordan desde el lado de la preservación.
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas vivos, 2026 | 7.170 (ganancia neta de 11 en un año) | Ethnologue, 29.ª edición 2026 |
| Idiomas vivos, 2025 | 7.159 | Ethnologue, 28.ª edición 2025 |
| Idiomas en peligro | 3.193 (45% de los idiomas vivos) | Ethnologue, 28.ª edición 2025 |
| Idiomas «moribundos» | 1.030 (14%) | Ethnologue, 28.ª edición 2025 |
| Población sin educación en un idioma que entiende | 40% (hasta 90% en algunos países de ingresos bajos y medios) | Informe GEM de la UNESCO 2025 |
| Idiomas cubiertos por los sistemas de voz típicos antes de MMS | Cerca de 100 | Meta, artículo de MMS 2023 |
| Idiomas nunca antes atendidos por ASR, añadidos por Omnilingual ASR | Más de 500 | Meta FAIR, Omnilingual ASR 2025 |
Nota de contexto: los recuentos de idiomas en peligro y moribundos son de la edición de 2025, tal como se resumieron en reportajes públicos; las cifras completas de Ethnologue están tras una suscripción. La UNESCO acompaña la cifra del 40% con grandes penalizaciones de aprendizaje: en Honduras, el 94% de los alumnos de 6.º grado que hablaban el idioma de enseñanza alcanzó los fundamentos de lectura, frente al 62% de quienes no lo hablaban.
2. La Carrera por la Cobertura: Cuántos Idiomas Maneja Cada Modelo
El número de idiomas dio un salto de un orden de magnitud en tres años. MMS de Meta identifica 4.017 idiomas y transcribe y sintetiza 1.107, construido en gran parte a partir de grabaciones del Nuevo Testamento, con modelos preentrenados que cubren 1.406 idiomas (MMS: Scaling Speech Technology to 1,000+ Languages). Omnilingual ASR llevó después la transcripción más allá de 1.600 y, mediante aprendizaje en contexto zero-shot a partir de unos pocos ejemplos emparejados, afirma tener un alcance potencial de más de 5.400 idiomas (Meta AI, anuncio de Omnilingual ASR).
Los productos comerciales son mucho más conservadores, y esa diferencia indica dónde está el listón de calidad. Chirp 3 de Google Cloud enumera 24 idiomas de transcripción con disponibilidad general y 76 en vista previa (Google Cloud, documentación de Chirp 3), mientras que los modelos de investigación declaran cientos. La traducción de voz queda en un punto intermedio: SeamlessM4T de Meta recibe voz en 101 idiomas pero solo habla en 36 (Nature, Joint speech and text machine translation for up to 100 languages), un recordatorio de que generar voz es más difícil que reconocerla.
| Métrica | Valor | Fuente |
|---|---|---|
| Transcripción de Omnilingual ASR | Más de 1.600 idiomas | Meta FAIR, nov. 2025 |
| Potencial de Omnilingual ASR mediante aprendizaje zero-shot | Más de 5.400 idiomas | Meta, nov. 2025 |
| MMS: identificación de idioma / ASR y TTS / preentrenamiento | 4.017 / 1.107 / 1.406 idiomas | Meta, artículo de MMS 2023 |
| Cobertura de preentrenamiento de Google USM | Más de 300 idiomas | Google Research, marzo de 2023 |
| Whisper large-v3 | 99 idiomas | Open ASR Leaderboard de Hugging Face 2025 |
| Traducción de voz a voz de SeamlessM4T | 101 idiomas de entrada, 36 de salida | Meta, Nature 2025 |
| Transcripción de Google Chirp 3 | 24 con disponibilidad general + 76 en vista previa | Documentación de Google Cloud 2026 |
| Embeddings de voz de Meta OmniSONAR | 177 idiomas hablados en un espacio semántico de 200 idiomas | Meta, artículo de OmniSONAR 2026 |
La traducción en tiempo real ha llegado a las aplicaciones de consumo masivo. Gemini 3.5 Live Translate detecta más de 70 idiomas y admite más de 2.000 combinaciones de idiomas en una sola sesión de Google Meet, frente a cinco idiomas antes (Google, Gemini 3.5 Live Translate, junio de 2026). Google afirma que la gente traduce cerca de 1 billón de palabras al mes entre Translate, Búsqueda, Lens y Circle to Search (Google, agosto de 2025). Más sobre la adopción a nivel de dispositivo en nuestras estadísticas de traducción de voz a voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas de Gemini 3.5 Live Translate | Más de 70 | Google, jun. 2026 |
| Combinaciones de idiomas en una llamada de Meet | Más de 2.000 (antes, 5 idiomas) | Google, jun. 2026 |
| Idiomas de conversación en vivo de Google Translate | Más de 70 | Google, ago. 2025 |
| Palabras traducidas al mes en los productos de Google | Cerca de 1 billón | Google, ago. 2025 |
| Tamaños de los modelos de pesos abiertos Mistral Voxtral | 24B y 3B de parámetros | Mistral AI, jul. 2025 |
| Duración máxima de audio de Voxtral | 30 minutos de transcripción, 40 minutos de comprensión | Mistral AI, jul. 2025 |
3. Escala de los Datos de Entrenamiento: de 680.000 Horas a 12 Millones
El presupuesto de datos que hay detrás de estos modelos creció mucho más rápido que el número de idiomas. El Universal Speech Model de Google se entrenó con 12 millones de horas de voz y 28 mil millones de oraciones de texto, con 2 mil millones de parámetros (Google Research, USM), aproximadamente 18 veces el corpus original de Whisper. La propia OpenAI pasó de 680.000 horas a cerca de 5 millones en Whisper large-v3, de las cuales 4 millones recibieron pseudoetiquetas del modelo anterior (OpenAI, notas de la versión large-v3).
La distribución dentro de estos corpus es lo que de verdad importa. Las 680.000 horas originales de Whisper incluían 117.000 horas en 96 idiomas distintos del inglés y 125.000 horas de traducción al inglés (artículo de Whisper). Por sustracción (680.000 menos 117.000 menos 125.000), unas 438.000 horas, o aproximadamente el 64%, eran transcripción en inglés. El conjunto etiquetado de MMS tenía de media apenas 32 horas por idioma, y los datos publicados de Omnilingual ASR promedian unas 10 horas transcritas por idioma. Los modelos masivamente multilingües se construyen sobre una larga cola medida en horas, no en miles de horas.
| Métrica | Valor | Fuente |
|---|---|---|
| Audio de entrenamiento de Whisper | 680.000 horas | OpenAI, artículo de Whisper 2022 |
| Datos de reconocimiento de Whisper en idiomas distintos del inglés | 117.000 horas en 96 idiomas | OpenAI, artículo de Whisper 2022 |
| Datos de traducción de Whisper de cualquier idioma al inglés | 125.000 horas | OpenAI, artículo de Whisper 2022 |
| Transcripción en inglés de Whisper (derivada) | Cerca de 438.000 horas (cerca del 64%) | Calculado a partir de cifras de OpenAI |
| Datos de entrenamiento de Whisper large-v3 | 1M de horas con etiquetas débiles + 4M de horas con pseudoetiquetas | OpenAI, nov. 2023 |
| Google USM | 12M de horas de voz, 28B de oraciones de texto, 2B de parámetros | Google Research, 2023 |
| Preentrenamiento autosupervisado de MMS | Cerca de 500.000 horas en más de 1.400 idiomas | Meta, mayo de 2023 |
| Datos etiquetados de MMS por idioma | 32 horas de media | Meta, mayo de 2023 |
La pila más reciente de Meta escala ambos extremos. Omnilingual ASR preentrenó un codificador wav2vec 2.0 de 7 mil millones de parámetros con 3,84 millones de horas en 1.239 idiomas, más 460.000 horas sin etiqueta de idioma, y su corpus supervisado AllASR reúne 120.710 horas en 1.690 idiomas (artículo de Omnilingual ASR). La variante publicada más pequeña tiene 300 millones de parámetros, pensada para dispositivos de bajo consumo.
| Métrica | Valor | Fuente |
|---|---|---|
| Preentrenamiento sin etiquetas de Omnilingual ASR | 3,84M de horas, 1.239 idiomas | Meta FAIR, artículo de Omnilingual ASR 2025 |
| Voz adicional sin etiquetar y sin identificación de idioma | 460.000 horas | Meta FAIR, 2025 |
| Corpus etiquetado AllASR | 120.710 horas, 1.690 idiomas | Meta FAIR, 2025 |
| Promedio de voz transcrita por idioma (datos publicados) | Cerca de 10 horas | Meta FAIR, 2025 |
| Modelo más grande / más pequeño | 7B / 300M de parámetros | Meta FAIR, 2025 |
4. Conjuntos de Datos y Benchmarks Abiertos Detrás de los Modelos
Los datos abiertos son el lugar donde se construye la cobertura de la larga cola. Mozilla Common Voice Scripted Speech 24.0 alcanzó 38.932 horas en 289 idiomas, 25.886 de ellas validadas (publicación de lanzamiento en Mozilla Discourse, diciembre de 2025). El salto mayor llegó una versión antes, cuando Common Voice 23.0 añadió 149 idiomas y más que duplicó su cifra hasta 286 (Mozilla Data Collective). Las horas crecieron solo un 8% aproximadamente entre esas versiones, así que los idiomas nuevos llegan con muy poco audio cada uno.
La evaluación sigue siendo mucho más estrecha que el entrenamiento. FLEURS, el benchmark multilingüe estándar, cubre 102 idiomas con unas 12 horas de voz por idioma (artículo de FLEURS), y la pista multilingüe del Open ASR Leaderboard de Hugging Face evalúa apenas cinco idiomas en más de 60 modelos de 18 organizaciones (Hugging Face, Open ASR Leaderboard). Por tanto, las afirmaciones de «1.600 idiomas» se comprueban sobre una fracción de esa cifra.
| Métrica | Valor | Fuente |
|---|---|---|
| Common Voice 24.0, horas totales / validadas | 38.932 / 25.886 | Mozilla, dic. 2025 |
| Idiomas de Common Voice 24.0 | 289 | Mozilla, dic. 2025 |
| Idiomas añadidos en Common Voice 23.0 | 149 (total de 286) | Mozilla Data Collective, sept. 2025 |
| Voz espontánea de Common Voice 23.0 | 357 horas en 51 idiomas | Mozilla Data Collective, sept. 2025 |
| Conjuntos de datos de Spontaneous Speech 2.0 | 62 | Mozilla, dic. 2025 |
| Benchmark FLEURS | 102 idiomas, unas 12 horas cada uno | Conneau et al., FLEURS 2022 |
| Omnilingual ASR Corpus | 350 idiomas desatendidos (CC-BY) | Meta, nov. 2025 |
Europa obtuvo su propio gran corpus abierto. Granary de NVIDIA reúne cerca de 1 millón de horas: casi 650.000 para reconocimiento y más de 350.000 para traducción, en 25 idiomas europeos, entre ellos croata, estonio y maltés (blog de NVIDIA, agosto de 2025). El artículo que lo acompaña, aceptado en Interspeech 2025, informa de que los modelos alcanzan un rendimiento similar con aproximadamente un 50% menos de datos que con conjuntos anteriores (artículo de Granary).
| Métrica | Valor | Fuente |
|---|---|---|
| Audio total de Granary | Cerca de 1 millón de horas | NVIDIA, ago. 2025 |
| División de Granary entre reconocimiento y traducción | Cerca de 650.000 / más de 350.000 horas | NVIDIA, ago. 2025 |
| Idiomas de Granary | 25 europeos | NVIDIA, ago. 2025 |
| Datos necesarios frente a conjuntos anteriores para la misma precisión | Cerca de un 50% menos | Artículo de Granary, Interspeech 2025 |
| Cobertura del Open ASR Leaderboard | Más de 60 modelos, 18 organizaciones, 11 conjuntos de datos | Hugging Face, nov. 2025 |
| Modelos de ASR alojados en Hugging Face Hub | Cerca de 27.000 | Hugging Face, nov. 2025 |
| Idiomas en la pista multilingüe del leaderboard | 5 | Hugging Face, nov. 2025 |
5. Precisión: Los Datos por Idioma Pesan Más que el Tamaño del Modelo
El número más útil del campo es una ley de escala. Los autores de Whisper hallaron una correlación al cuadrado de 0,83 entre el logaritmo de la tasa de error de palabras y el logaritmo de las horas de entrenamiento por idioma, con la WER reduciéndose a la mitad con cada aumento de 16 veces en los datos (OpenAI, artículo de Whisper). La misma relación fue de solo 0,24 para la traducción de voz. Para un idioma con 10 horas de audio, el camino práctico hacia una precisión utilizable son más datos, no un modelo más grande.
Las mejoras de cobertura han venido con costes de precisión sorprendentemente pequeños. Meta informó que ampliar MMS de 61 a 1.107 idiomas elevó la tasa de error de caracteres solo en torno a un 0,4%, mientras que MMS redujo a la mitad la tasa de error de palabras de Whisper en 54 idiomas de FLEURS (Meta AI, anuncio de MMS). Omnilingual ASR logra una tasa de error de caracteres inferior a 10 en el 78% de sus más de 1.600 idiomas. Son cifras autodeclaradas, pero cada afirmación está vinculada a un benchmark público.
| Métrica | Valor | Fuente |
|---|---|---|
| Correlación entre log de la WER y log de las horas de entrenamiento (ASR) | r al cuadrado = 0,83 | OpenAI, artículo de Whisper 2022 |
| Misma correlación para la traducción de voz | r al cuadrado = 0,24 | OpenAI, artículo de Whisper 2022 |
| Mejora de la WER por cada 16 veces más datos | Se reduce a la mitad | OpenAI, artículo de Whisper 2022 |
| MMS frente a Whisper en 54 idiomas de FLEURS | Cerca de la mitad de la WER | Meta, MMS 2023 |
| Aumento de la CER al ampliar MMS de 61 a 1.107 idiomas | Cerca de un 0,4% | Meta, mayo de 2023 |
| Idiomas de Omnilingual ASR con CER inferior a 10 | 78% | Meta, nov. 2025 |
| Reducción de error de Whisper large-v3 frente a large-v2 | Del 10% al 20% | OpenAI, nov. 2023 |
Las cifras de Google apuntan en la misma dirección. USM registró una WER relativamente 32,7% menor que Whisper en 18 idiomas comparables y una WER media inferior al 30% en 73 idiomas de subtítulos de YouTube, con una reducción relativa de la WER del 65,8% en FLEURS sin datos del dominio. La eficiencia es ahora una segunda carrera: Canary-1b-v2 de NVIDIA, de mil millones de parámetros, afirma una calidad comparable a la de modelos 3 veces más grandes con una inferencia hasta 10 veces más rápida, y en el leaderboard de audio largo Parakeet CTC registró un RTFx de 2.793,75 frente a 68,56 de Whisper large-v3 (Hugging Face, 2025). Para las herramientas de voz en tiempo real, incluidas las que están detrás del software de clonación de voz en vivo, esa diferencia de rendimiento suele importar más que un punto de WER.
| Métrica | Valor | Fuente |
|---|---|---|
| WER de USM frente a Whisper, 18 idiomas | 32,7% menor en términos relativos | Google Research, 2023 |
| WER media de USM, 73 idiomas de YouTube | Inferior al 30% | Google Research, 2023 |
| Reducción relativa de la WER de USM en FLEURS (sin datos del dominio) | 65,8% | Google Research, 2023 |
| SeamlessM4T v2 frente a sistemas en cascada | Hasta 8% (voz a texto) y 23% (voz a voz) más de BLEU | Meta, Nature 2025 |
| Traducción de voz a texto de OmniSONAR, zero-shot | 97% de la calidad de SeamlessM4T | Meta, OmniSONAR 2026 |
| Canary-1b-v2 frente a modelos más grandes | Calidad comparable a la de modelos 3 veces más grandes, hasta 10 veces más rápido | NVIDIA, ago. 2025 |
| Rendimiento en audio largo (RTFx): Parakeet CTC frente a Whisper large-v3 | 2.793,75 frente a 68,56 | Open ASR Leaderboard de Hugging Face 2025 |
Nota sobre un dato atípico: el artículo de OmniSONAR (arXiv, marzo de 2026) también informa de un error de búsqueda por similitud de voz un 43% menor que el de modelos anteriores, señal de que los espacios de embeddings compartidos entre voz y texto se están convirtiendo en un componente básico por derecho propio.
6. Sesgo de Acento, Acceso y lo que Está en Juego Comercialmente
La cobertura de idiomas esconde una segunda brecha dentro de los idiomas «admitidos». En cinco sistemas comerciales de Amazon, Apple, Google, IBM y Microsoft, la WER media fue de 0,35 para hablantes negros frente a 0,19 para hablantes blancos (Koenecke et al., PNAS 2020), a partir de entrevistas con 73 hablantes negros y 42 blancos. El estudio tiene más de tres años y se presenta como la auditoría más reciente de su tipo. Trabajos más nuevos llegan a conclusiones similares: AfriSpeech-MultiBench, que abarca más de 100 acentos del inglés africano en más de 10 países, halló que los modelos propietarios son precisos con voz limpia pero varían de forma significativa según el país y el ámbito, y que las alucinaciones siguen siendo un problema para la mayoría de los modelos de última generación (arXiv, nov. 2025).
Lo que está en juego comercialmente sigue aumentando, aunque las estimaciones de mercado son incoherentes entre sí. MarketsandMarkets proyecta que el reconocimiento de voz y habla crecerá de 9,66 mil millones de dólares en 2025 a 23,11 mil millones de dólares en 2030, un CAGR del 19,1% (comunicado de MarketsandMarkets), mientras que Grand View Research sitúa el mercado en 20,2 mil millones de dólares en 2023, rumbo a 53,7 mil millones de dólares en 2030 con un 14,6% (Grand View Research). Ambas firmas señalan a Asia-Pacífico y a los mercados emergentes como motores de crecimiento, que son justamente las regiones donde la cobertura de idiomas es más escasa. Consulta también nuestras estadísticas de traducción automática para el lado textual del mismo mercado.
| Métrica | Valor | Fuente |
|---|---|---|
| WER media, hablantes negros frente a blancos (5 sistemas) | 0,35 frente a 0,19 | Koenecke et al., PNAS 2020 |
| Hablantes en la auditoría de PNAS | 73 negros, 42 blancos | Koenecke et al., PNAS 2020 |
| Acentos del inglés africano evaluados | Más de 100 en más de 10 países | AfriSpeech-MultiBench, 2025 |
| Fundamentos de lectura en 5.º grado, Costa de Marfil: idioma del hogar = idioma de la prueba frente a no | 55% frente a 25% | Informe GEM de la UNESCO 2025 |
| Mercado de reconocimiento de voz y habla, 2025 a 2030 | 9,66 mil M a 23,11 mil M de dólares (CAGR del 19,1%) | MarketsandMarkets, ago. 2025 |
| Mercado de reconocimiento de voz y habla de EE. UU., 2025 a 2030 | 3,13 mil M a 7,70 mil M de dólares (CAGR del 19,7%) | MarketsandMarkets, 2025 |
| Mercado de reconocimiento de voz y habla, 2023 a 2030 | 20,2 mil M a 53,7 mil M de dólares (CAGR del 14,6%) | Grand View Research, 2024 |
| Cuota de ingresos de Norteamérica | 30,8% (2023) | Grand View Research, 2024 |
Resumen: Modelos de Voz Multilingües en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Idiomas vivos | 7.170 | Ethnologue, 29.ª edición 2026 |
| Cobertura de Omnilingual ASR | Más de 1.600 idiomas (más de 500 nunca atendidos antes) | Meta FAIR, 2025 |
| Potencial zero-shot de Omnilingual ASR | Más de 5.400 idiomas | Meta, nov. 2025 |
| Identificación de idioma de MMS | 4.017 idiomas | Meta, 2023 |
| Cobertura de Whisper large-v3 | 99 idiomas | Hugging Face, 2025 |
| Entrada de voz / salida de voz de SeamlessM4T | 101 / 36 idiomas | Meta, Nature 2025 |
| Gemini 3.5 Live Translate | Más de 70 idiomas, más de 2.000 combinaciones | Google, jun. 2026 |
| Datos de entrenamiento de Whisper | 680.000 horas (117.000 distintas del inglés) | OpenAI, 2022 |
| Datos de entrenamiento de Whisper large-v3 | Cerca de 5 millones de horas | OpenAI, 2023 |
| Datos de entrenamiento de Google USM | 12 millones de horas, más de 300 idiomas | Google Research, 2023 |
| Preentrenamiento de Omnilingual ASR | 3,84M de horas, 1.239 idiomas | Meta FAIR, 2025 |
| Common Voice 24.0 | 38.932 horas, 289 idiomas | Mozilla, dic. 2025 |
| NVIDIA Granary | Cerca de 1M de horas, 25 idiomas | NVIDIA, ago. 2025 |
| Benchmark FLEURS | 102 idiomas, unas 12 horas cada uno | FLEURS, 2022 |
| WER frente a datos | Se reduce a la mitad con cada 16 veces más datos | OpenAI, 2022 |
| Idiomas de Omnilingual ASR con CER inferior a 10 | 78% | Meta, nov. 2025 |
| WER de MMS frente a Whisper, 54 idiomas | Cerca de la mitad | Meta, 2023 |
| Población sin educación en un idioma que entiende | 40% | UNESCO, 2025 |
| Brecha de WER, hablantes negros frente a blancos | 0,35 frente a 0,19 | PNAS, 2020 |
| Mercado de reconocimiento de voz y habla, 2030 | 23,11 mil M de dólares (MarketsandMarkets) frente a 53,7 mil M (Grand View) | MarketsandMarkets 2025; Grand View Research 2024 |
Metodología y Fuentes
Cada cifra se rastreó hasta la organización que la produjo, dando preferencia a artículos, notas oficiales de lanzamiento y documentación frente a la cobertura de prensa. Las afirmaciones de precisión de los proveedores (Meta, Google, OpenAI, NVIDIA, Mistral) son autodeclaradas sobre benchmarks públicos y están etiquetadas con su fuente. Se excluyeron las afirmaciones comerciales que no pudimos vincular a una cifra publicada, como las declaraciones de marketing sin cuantificar sobre la «menor WER».
- Ethnologue: Bienvenidos a la 29.ª edición (feb. 2026)
- Informe GEM de la UNESCO: El 40% no accede a educación en un idioma que entiende (2025)
- Meta: anuncio de MMS (mayo de 2023), artículo de MMS, anuncio de Omnilingual ASR (nov. 2025), artículo de Omnilingual ASR, artículo de OmniSONAR (2026)
- Equipo de Meta Seamless Communication: Joint speech and text machine translation for up to 100 languages (Nature, 2025)
- OpenAI: Robust Speech Recognition via Large-Scale Weak Supervision (2022), lanzamiento de Whisper large-v3 (nov. 2023)
- Google: Universal Speech Model (marzo de 2023), documentación de Chirp 3, Gemini 3.5 Live Translate (junio de 2026), traducción en vivo de Translate (ago. 2025)
- Mozilla: lanzamiento de Common Voice 24.0 (dic. 2025), lanzamiento de Common Voice 23.0 (sept. 2025)
- Conneau et al.: FLEURS (2022)
- NVIDIA: lanzamiento de Granary, Canary y Parakeet (ago. 2025), artículo de Granary (Interspeech 2025)
- Hugging Face: tendencias del Open ASR Leaderboard (nov. 2025)
- Mistral AI: Voxtral (jul. 2025)
- Koenecke et al.: Racial disparities in automated speech recognition (PNAS, 2020)
- AfriSpeech-MultiBench: arXiv 2511.14255 (IJCNLP-AACL 2025)
- MarketsandMarkets: comunicado sobre el mercado de reconocimiento de voz y habla (ago. 2025)
- Grand View Research: informe del mercado de reconocimiento de voz y habla (2024)
- Nota sobre los datos: las estimaciones del tamaño del mercado entran en fuerte conflicto. MarketsandMarkets (23,11 mil millones de dólares en 2030) y Grand View Research (53,7 mil millones de dólares en 2030) usan alcances y años base distintos, por lo que las cifras no deben promediarse ni compararse como una tendencia. Varias cifras de modelos fundacionales datan de 2022 a 2023 (Whisper, USM, MMS, FLEURS) y son las divulgaciones más recientes disponibles para esos modelos; Google no ha publicado totales comparables de datos de entrenamiento para sus modelos de audio de Gemini. La proporción del inglés en los datos de Whisper (unas 438.000 horas, 64%) es una resta nuestra a partir de los totales publicados por OpenAI, no una cifra que OpenAI declare en el resumen de su artículo. Los recuentos de idiomas en peligro y moribundos de Ethnologue de 2025 proceden de resúmenes públicos de la 28.ª edición porque la base de datos completa es de pago. La auditoría de sesgo de PNAS (2020) es anterior a los modelos fundacionales actuales y se muestra como el dato más reciente disponible; desde entonces no se ha publicado ninguna auditoría entre proveedores de tamaño equivalente. Los recuentos de idiomas no son comparables entre proveedores: algunos cuentan configuraciones regionales, otros cuentan idiomas, y la cobertura en «vista previa» no tiene calidad de producción.
Última actualización: 3 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando Mozilla publique Common Voice 25.0 y Ethnologue lance su 30.ª edición, en febrero de 2027.