Cinco sistemas comerciales de reconocimiento de voz tuvieron una tasa de error de palabras (WER) promedio de 0,35 con hablantes negros frente a 0,19 con hablantes blancos (Stanford, Koenecke et al., PNAS 2020), y un estudio publicado en 2026 aún halló un WER medio del 20% frente al 15% en cuatro sistemas comerciales (Universidad de Washington, Scott et al., LREC 2026). Las referencias de evaluación ocultan la brecha: Whisper large obtiene un 2,7% en LibriSpeech test-clean y un 19,7% en un corpus de acentos internacionales del inglés (Universidad de Edimburgo, artículo de EdAcc 2023). Para hablantes con disartria asociada al párkinson, un reconocedor que se equivoca un 3,4% con habla típica se equivoca un 36,3% (Speech Accessibility Project, JSLHR 2024). Reunimos datos de PNAS, del artículo de OpenAI Whisper, del conjunto Fair-Speech de Meta, del Speech Accessibility Project, de Mozilla Common Voice y de más de una docena de otras fuentes revisadas por pares, conservando la notación de cada fuente (algunas informan el WER como fracción, como 0,35, y la mayoría como porcentaje, como 19,7%). La misma métrica sustenta las reglas de precisión de los subtítulos en vivo, y por eso unos pocos puntos de WER importan mucho más allá del laboratorio.
TL;DR
- Cinco sistemas ASR comerciales tuvieron un WER promedio de 0,35 con hablantes negros frente a 0,19 con hablantes blancos, y el 23% frente al 1,6% de los fragmentos fueron inutilizables con un WER superior a 0,5 (Stanford, Koenecke et al., PNAS 2020).
- Cuatro sistemas comerciales promediaron un 20% de WER con hablantes afroamericanos frente al 15% con hablantes estadounidenses caucásicos, un aumento relativo del 33% (Universidad de Washington, Scott et al., LREC 2026).
- Whisper large obtiene un 2,7% de WER en LibriSpeech test-clean y un 19,7% en el conjunto de prueba de inglés con acento EdAcc (Universidad de Edimburgo, artículo de EdAcc 2023).
- Whisper-large-v2 obtuvo 9,52 con hablantes negros o afroamericanos frente a 3,96 con hablantes blancos en comandos de voz (Meta, Fair-Speech Dataset 2024).
- Un reconocedor de neerlandés llegó al 55,9% de WER en habla leída de no nativos frente al 26,1% de los nativos (TU Delft, Feng et al., Quantifying Bias in ASR 2021).
- El habla disártrica llevó un WER de referencia del 3,4% al 36,3%, y el ajuste fino lo redujo al 23,7% (Speech Accessibility Project, JSLHR 2024).
- El mejor sistema del Interspeech 2025 Speech Accessibility Project Challenge alcanzó un 8,11% de WER frente al 17,82% de la línea base whisper-large-v2 (Zheng et al., Interspeech 2025).
- Seis sistemas ASR promediaron un WER de 0,281 con habla tartamudeada frente a 0,105 una vez eliminadas las disfluencias (Mujtaba et al., NAACL 2024).
- Common Voice Scripted Speech v27.0 reúne 29.295 horas validadas en 295 idiomas, frente a un total mundial de más de 7.000 idiomas (Mozilla Common Voice 2026; Pratap et al., artículo de MMS 2023).
- AWS General Transcribe tuvo un WER mediano del 50% con pacientes negros de atención domiciliaria frente al 33% con pacientes blancos, P = 0,016 (Zolnoori et al., JAMIA Open 2024).
- Los taquígrafos judiciales certificados con un 95% de precisión promediaron un 82,9% de precisión de palabras en inglés afroamericano (Jones et al., Language 2019).
- El 93% de los participantes afroamericanos de un estudio de diario de dos semanas modificó su dialecto para que la tecnología de voz los entendiera (Mengesha et al., Frontiers in Artificial Intelligence 2021).
1. Brechas Raciales y Dialectales en el ASR Comercial y Abierto
La cifra canónica tiene seis años y no ha sido reemplazada por mejor evidencia. En la auditoría de PNAS a Amazon, Apple, Google, IBM y Microsoft, el WER promedio fue de 0,35 para hablantes negros y de 0,19 para hablantes blancos, una brecha de 0,16 (0,35 menos 0,19) medida sobre 19,8 horas de audio de 73 hablantes negros y 42 blancos emparejados por edad y género. Los autores situaron el problema en los modelos acústicos, porque la brecha persistió con frases idénticas: Microsoft, el mejor sistema, obtuvo 0,13 frente a 0,07 en enunciados emparejados. Dato más reciente disponible para una auditoría de cinco proveedores: Koenecke et al., PNAS 2020.
La evidencia más nueva, extraída de corpus distintos, muestra tasas de error menores en general y una brecha que no se ha cerrado. Un equipo de la Universidad de Washington informa un aumento relativo del 33% para hablantes afroamericanos en cuatro sistemas comerciales, y el propio conjunto de comandos de voz de Meta muestra a Whisper-large-v2 con 9,52 para hablantes negros o afroamericanos frente a 3,96 para hablantes blancos. El equipo de Washington vincula sus errores con la variación en la calidad de las vocales entre dialectos, lo que se hace eco del diagnóstico de 2020 sobre los modelos acústicos.
| Métrica | Valor | Fuente |
|---|---|---|
| WER promedio, hablantes negros vs blancos, cinco sistemas comerciales | 0,35 vs 0,19 | Stanford (Koenecke et al.), PNAS 2020 |
| Mejor y peor proveedor, hablantes negros vs blancos | Microsoft 0,27 vs 0,15; Apple 0,45 vs 0,23 | Stanford (Koenecke et al.), PNAS 2020 |
| Fragmentos con WER superior a 0,5 (transcripciones inutilizables) | 23% de los fragmentos de hablantes negros vs 1,6% de los de hablantes blancos | Stanford (Koenecke et al.), PNAS 2020 |
| WER medio, hablantes afroamericanos vs estadounidenses caucásicos, cuatro sistemas comerciales | 20% vs 15% (aumento relativo del 33%) | Universidad de Washington (Scott et al.), LREC 2026 |
| WER medio, hablantes ChicanX y yakama, los mismos cuatro sistemas | 23% y 21% | Universidad de Washington (Scott et al.), LREC 2026 |
| WER, hablantes negros o afroamericanos vs blancos, Whisper-large-v2 y Whisper-small | 9,52 vs 3,96; 16,99 vs 4,51 | Meta (Veliche et al.), Fair-Speech Dataset 2024 |
| Brecha relativa de WER entre grupos étnicos, Whisper-large-v2 vs modelo de video semisupervisado de Meta | 61,13% vs 31,04% | Meta (Veliche et al.), Fair-Speech Dataset 2024 |
Contexto: la evaluación de Washington usó 16 hablantes (cuatro por grupo) y refleja el desempeño de los sistemas en 2022, aunque el artículo apareció en las actas de LREC 2026. Fair-Speech abarca 593 hablantes de EE. UU. y unos 26,5 mil enunciados, y sus autores afirman que, para los modelos Whisper, la brecha relativa es superior al 40% en todas las dimensiones que midieron.
2. WER de Referencia vs Habla del Mundo Real
La referencia de evaluación más citada es habla leída y limpia, no conversación. El artículo de Whisper lo demuestra en su propia tabla: el mismo modelo que obtiene 2,7 en LibriSpeech Clean obtiene 25,5 en CHiME6 y 16,2 en CORAAL, el corpus de entrevistas en African American Language. Whisper large pasa de un 2,7% de WER en LibriSpeech test-clean a un 19,7% en EdAcc, un conjunto de conversaciones por videollamada entre amigos con más de 40 acentos del inglés autodeclarados.
Y ese sigue siendo el modelo robusto. Un sistema wav2vec 2.0 con un 2,9% en LibriSpeech llegó al 36,1% en las mismas conversaciones con acento. Solo el estilo de habla ya cambia el resultado: un reconocedor de neerlandés promedió un 36,2% de WER en habla leída y un 47,5% en habla de interacción persona-máquina del mismo grupo de hablantes (TU Delft, Feng et al., Quantifying Bias in ASR 2021).
| Métrica | Valor | Fuente |
|---|---|---|
| WER de Whisper Large V2, LibriSpeech Clean | 2,7 | OpenAI (Radford et al.), artículo de Whisper 2022 |
| WER de Whisper Large V2, CHiME6 y CORAAL | 25,5 y 16,2 | OpenAI (Radford et al.), artículo de Whisper 2022 |
| WER promedio en los conjuntos de datos de la Tabla 2 del artículo, wav2vec 2.0 Large vs Whisper Large V2 | 29,3 vs 12,8 (reducción relativa promedio del error del 55,2%) | OpenAI (Radford et al.), artículo de Whisper 2022 |
| WER de Whisper large, EdAcc test vs LibriSpeech test-clean | 19,7% vs 2,7% | Universidad de Edimburgo (Sanabria et al.), artículo de EdAcc 2023 |
| WER de wav2vec 2.0 y de un sistema comercial, EdAcc test vs LibriSpeech test-clean | 36,1 vs 2,9; 18,7 vs 3,8 | Universidad de Edimburgo (Sanabria et al.), artículo de EdAcc 2023 |
| Mejor WER promedio, pista de formato corto en inglés; Whisper Large v3 en la misma pista | 5,42; 7,44 | Artículo de Open ASR Leaderboard (Srivastav et al.), v4 de marzo de 2026 |
| Sistemas evaluados | 86 sistemas de 26 organizaciones en 12 conjuntos de datos; 74 de código abierto | Artículo de Open ASR Leaderboard (Srivastav et al.), v4 de marzo de 2026 |
Contexto: el Open ASR Leaderboard informa promedios sobre conjuntos de prueba seleccionados, y las tablas que leímos no incluyen desglose demográfico de los hablantes, así que un promedio de 5,42 no dice nada sobre quién queda en la cola. La cifra de CORAAL es lo más cercano que ofrece el artículo de Whisper a un número específico de un dialecto: Whisper redujo el error de wav2vec 2.0 en ese corpus de 35,6 a 16,2, y aun así siguió siendo seis veces la puntuación de LibriSpeech Clean (16,2 dividido entre 2,7).
3. Acentos No Nativos y Regionales
Las brechas por acento se miden sobre todo en inglés y, en su mayoría, con corpus pequeños o autoseleccionados. La auditoría más amplia que encontramos, sobre 2.713 hablantes del Speech Accent Archive nacidos en 171 países, no usa el WER en absoluto: informa la información de palabras perdida (WIL) y halla que es 0,14 menor para hablantes cuya primera lengua es el inglés (P<0,001). En inglés panafricano con acento, Whisper-large registró un WER de 0,240 en habla general y de 0,375 en habla clínica, y los tres sistemas comerciales en la nube evaluados fueron peores.
Los acentos regionales de una primera lengua siguen el mismo patrón. En los subtítulos automáticos de YouTube, 80 hablantes de cinco regiones dialectales (California, Georgia, Nueva Inglaterra, Nueva Zelanda y Escocia) mostraron un reconocimiento sistemáticamente peor para los hablantes escoceses (Universidad de Washington, Tatman, ACL Ethics in NLP Workshop 2017). En neerlandés, adolescentes flamencos que leían en voz alta fueron reconocidos con un 40,5% de WER por un modelo entrenado con neerlandés de los Países Bajos. Estos errores se acumulan más adelante, ya que una oración de origen mal reconocida es la entrada de todo pipeline de traducción de voz a voz.
| Métrica | Valor | Fuente |
|---|---|---|
| Tamaño del corpus EdAcc | Casi 40 horas, más de 40 acentos autodeclarados, 51 primeras lenguas | Universidad de Edimburgo (Sanabria et al.), artículo de EdAcc 2023 |
| Brecha de WIL, hablantes con inglés vs otra primera lengua, todos los servicios | 0,14 menor para hablantes con inglés como primera lengua (P<0,001); 2.713 hablantes, 212 primeras lenguas | DiChristofano et al., Global Performance Disparities Between English-Language Accents (arXiv) 2023 |
| Brecha de WIL por servicio | Google 0,17; Amazon 0,14; Microsoft 0,11 | DiChristofano et al., Global Performance Disparities Between English-Language Accents (arXiv) 2023 |
| WER de Whisper-large en inglés panafricano, dominio general vs clínico | 0,240 vs 0,375 | Olatunji et al., AfriSpeech-200, TACL 2023 |
| WER de nubes comerciales en inglés panafricano, ambos dominios | Azure 0,391; AWS 0,442; GCP 0,578 | Olatunji et al., AfriSpeech-200, TACL 2023 |
| WER de Whisper-medium en inglés panafricano, preentrenado vs ajustado con AfriSpeech | 0,332 vs 0,216 | Olatunji et al., AfriSpeech-200, TACL 2023 |
| WER del ASR de neerlandés en habla leída, no nativos vs nativos | 55,9% vs 26,1% | TU Delft (Feng et al.), Quantifying Bias in ASR 2021 |
| WER del ASR de neerlandés en habla leída, adolescentes flamencos vs adolescentes de cuatro regiones de los Países Bajos | 40,5% vs 19,3%, 22,9%, 16,8% y 17,9% | TU Delft (Feng et al.), Quantifying Bias in ASR 2021 |
Caso atípico: ser hablante no nativo no siempre predice peores resultados. En comandos de voz de Fair-Speech, Whisper-large-v2 obtuvo 3,78 con hablantes de segunda lengua y 6,11 con hablantes de primera lengua (Meta, Fair-Speech Dataset 2024), un recordatorio de que las brechas entre grupos son propiedades de un conjunto de datos y de una tarea, no constantes. En los datos en neerlandés, el error no disminuyó a medida que aumentaba la competencia de los estudiantes adultos: 57,2, 56,5 y 57,0 en los niveles A1, A2 y B1 del MCER. Dato más reciente disponible: las transcripciones del archivo de acentos se ejecutaron en 2021, y AfriSpeech-200 (200,70 horas, 2.463 hablantes, 120 acentos, 13 países) se publicó en 2023.
4. Brechas por Género, Edad e Ingresos
Ningún eje demográfico tiene una dirección fija, y ese es el hallazgo. Los subtítulos de YouTube eran peores con mujeres en 2017. Los sistemas comerciales eran peores con hombres en 2020. Whisper-large-v2 obtuvo 7,91 con hablantes hombres frente a 3,86 con hablantes mujeres en Fair-Speech, aproximadamente el doble (7,91 dividido entre 3,86 es 2,05). Un sistema auditado con un conjunto de datos puede parecer justo en género y fallar en otro.
La edad se comporta igual. El grupo de Fair-Speech con mayor error no fue el de más edad, sino el tramo de 31 a 45 años, mientras que en neerlandés el peor grupo nativo fueron los niños. El habla infantil es un punto débil recurrente: Whisper-Small partió con un 13,93% de WER en el conjunto de prueba MyST de habla infantil antes de cualquier adaptación (Kid-Whisper, 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| WER promedio en cinco sistemas comerciales, hombres negros vs mujeres negras; hombres blancos vs mujeres blancas | 0,41 vs 0,30; 0,21 vs 0,17 | Stanford (Koenecke et al.), PNAS 2020 |
| WER de Whisper-large-v2, hablantes hombres vs mujeres | 7,91 vs 3,86 | Meta (Veliche et al.), Fair-Speech Dataset 2024 |
| WER de Whisper-large-v2 por tramo de edad, 18-22, 23-30, 31-45, 46-65 | 4,46, 4,62, 7,48, 3,65 | Meta (Veliche et al.), Fair-Speech Dataset 2024 |
| WER de Whisper-large-v2 por ingresos del hogar, bajos, medios, altos | 5,4, 6,38, 3,62 | Meta (Veliche et al.), Fair-Speech Dataset 2024 |
| WER de los subtítulos de YouTube, mujeres vs hombres | Mayor para mujeres (t(78) = -3,5, p < 0,01), 80 hablantes | Universidad de Washington (Tatman), ACL Ethics in NLP Workshop 2017 |
| WER del ASR de neerlandés en habla leída, niños, adolescentes y adultos mayores nativos | 35,3%, 18,4%, 24,2% | TU Delft (Feng et al.), Quantifying Bias in ASR 2021 |
| WER de Whisper en habla infantil de MyST, antes vs después del ajuste fino | Small del 13,93% al 9,11%; Medium del 13,23% al 8,61% | Attia et al., Kid-Whisper 2024 |
Contexto: los tramos de ingresos de Fair-Speech son bajos (50 mil USD o menos en EE. UU.), medios (de 50 mil a 100 mil USD) y altos (100 mil USD o más), y el tramo alto es el grupo más pequeño del conjunto de datos (41 hablantes en la tabla del artículo). Dato más reciente disponible sobre brechas de género en subtítulos: Tatman 2017, medido en una tarea de lista de palabras aisladas que la autora describe como especialmente difícil para el ASR.
5. Habla Atípica, Disártrica y con Disfluencias
Aquí las brechas son de un orden de magnitud, no de unos pocos puntos. En el primer paquete de datos del Speech Accessibility Project, un reconocedor de referencia con un 3,4% de WER en hablantes típicos transcribió a hablantes con disartria asociada al párkinson con un 36,3%. El ajuste fino con 190 hablantes de entrenamiento lo redujo al 23,7%, y dos de los 42 hablantes de prueba se mantuvieron en 67,10% y 93,08%.
Los datos, no la arquitectura, son lo que mueve estas cifras. El Interspeech 2025 Speech Accessibility Project Challenge dio a los equipos unas 415 horas de 524 participantes, y 12 de 22 equipos superaron la línea base whisper-large-v2; los cinco mejores modelos promediaron un 10,06% de WER para el párkinson y un 7,36% para la ELA, frente a una línea base de 17,09% y 16,88%. La personalización llega aún más lejos: el Project Euphonia de Google informó un 4,6% de WER en modelos personalizados con frases cortas. Las pausas crean un modo de fallo distinto, ya que Whisper alucinó texto en el 1,7% de los segmentos de hablantes con afasia frente al 1,2% de un grupo de control (Koenecke et al., Careless Whisper, FAccT 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| WER de referencia, hablantes típicos vs disartria asociada al párkinson; tras el ajuste fino | 3,4% vs 36,3%; 23,7% | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Línea base Whisper-large-v2 vs mejor equipo, conjunto Test2 del desafío | 17,82% vs 8,11% de WER (mejor SemScore 88,44%) | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Datos y participación del desafío | Unas 415 horas, 524 participantes, cinco etiologías; 12 de 22 equipos superaron la línea base en WER | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| Modelos personalizados vs independientes del hablante, 432 hablantes con habla alterada | 4,6% vs 31% de WER | Google Research (Green et al.), Interspeech 2021 |
| WER mediano en frases de domótica, habla gravemente afectada, antes vs después de la personalización | Alrededor del 89% al 13% | Google Research, blog de Project Euphonia 2021 |
| Corpus de Project Euphonia (a agosto de 2021) | Más de 1 millón de enunciados, más de 1.400 horas, 1.330 hablantes | Google Research, blog de Project Euphonia 2021 |
| WER medio en seis sistemas ASR, habla tartamudeada vs disfluencias eliminadas | 0,281 vs 0,105 | Mujtaba et al., Lost in Transcription, NAACL 2024 |
| WER del reconocimiento de voz para personas que tartamudean, antes vs después de cambios en el sistema (91 participantes grabados) | 25,4% a 9,9%; enunciados cortados 79,1% menos veces | Lea et al., CHI 2023 |
Contexto: la enfermedad de Parkinson representa el 73,4% del corpus de entrenamiento del desafío por duración, así que el 8,11% destacado describe sobre todo una etiología; el síndrome de Down, la parálisis cerebral y el ictus no se informaron por separado por el escaso número de pruebas. En el estudio sobre tartamudez, Whisper fue el más preciso de los seis sistemas y aun así pasó de 0,063 a 0,121. Dato más reciente disponible sobre la precisión de modelos personalizados: Green et al., Interspeech 2021.
6. Idiomas de Pocos Recursos y Cobertura de los Conjuntos de Datos
El error sigue a las horas de entrenamiento casi de forma mecánica. Los autores de Whisper informan una correlación al cuadrado de 0,83 entre el logaritmo del WER y el logaritmo de las horas de entrenamiento por idioma, y estiman que el WER se reduce a la mitad por cada aumento de 16 veces en los datos de entrenamiento. De las 680.000 horas de entrenamiento de Whisper, 117.000 cubren 96 idiomas distintos del inglés, y el artículo señala que la mayoría de los idiomas tiene menos de 1.000 horas.
La cobertura se ha ampliado más rápido que la evidencia de precisión. El artículo de MMS situó el mundo en más de 7.000 idiomas, con tecnología del habla que admitía cerca de 100, y Omnilingual ASR afirma ahora cubrir más de 1.600. La referencia multilingüe estándar, FLEURS, abarca 102 idiomas con aproximadamente 12 horas de supervisión cada uno (Conneau et al., FLEURS 2022), de modo que la mayoría de los idiomas añadidos recientemente no tiene una vara de medir pública compartida. Seguimos la cobertura del lado de los modelos con más detalle en nuestras estadísticas de modelos fundacionales multilingües del habla.
| Métrica | Valor | Fuente |
|---|---|---|
| Datos de entrenamiento de Whisper | 680.000 horas en total; 117.000 horas que cubren 96 idiomas distintos del inglés | OpenAI (Radford et al.), artículo de Whisper 2022 |
| Relación entre horas de entrenamiento por idioma y WER | Correlación al cuadrado de 0,83; el WER se reduce a la mitad por cada aumento de 16 veces en los datos | OpenAI (Radford et al.), artículo de Whisper 2022 |
| Idiomas del mundo vs idiomas con soporte de tecnología del habla | Más de 7.000 vs cerca de 100 | Pratap et al., artículo de MMS (Scaling Speech Technology to 1,000+ Languages) 2023 |
| Cobertura y precisión de MMS | ASR para 1.107 idiomas; WER reducido a menos de la mitad frente a Whisper en 54 idiomas de FLEURS | Pratap et al., artículo de MMS (Scaling Speech Technology to 1,000+ Languages) 2023 |
| Cobertura de Omnilingual ASR | Más de 1.600 idiomas, más de 500 nunca antes atendidos por ASR | Equipo de Omnilingual ASR, arXiv 2511.09690, 2025 |
| Datos de preentrenamiento de Google USM | 12 millones de horas de audio sin etiquetar que cubren más de 300 idiomas; conjunto etiquetado de 1/7 del tamaño del de Whisper | Artículo de Google USM (Zhang et al.) 2023 |
| Common Voice Scripted Speech v27.0 | 295 idiomas; 42.593 horas en total; 29.295 horas validadas | Mozilla Common Voice, cv-dataset v27.0 2026 |
| Distribución por género en Common Voice v27.0, inglés y alemán | Inglés 0,4318 masculino, 0,1776 femenino, 0,3894 sin declarar; alemán 0,5786 masculino, 0,0818 femenino | Mozilla Common Voice, cv-dataset v27.0 2026 |
Caso atípico: en las estadísticas de Common Voice v27.0, el catalán tiene más audio grabado que el inglés (3.940,31 horas en total frente a 3.795,9), mientras que la configuración regional más pequeña que leímos tiene 25 clips de 2 usuarios. El esfuerzo voluntario, no la población de hablantes, decide qué idiomas reciben datos. El conjunto Spontaneous Speech, más cercano al uso real, es mucho más pequeño: 541 horas en total en 80 idiomas en la v5.0.
7. Consecuencias en Tribunales, Clínicas, Contratación y Asistentes de Voz
Lo que está en juego aumenta cuando una transcripción se convierte en registro oficial. Los humanos fijan una base deficiente: los taquígrafos judiciales certificados con un 95% de precisión promediaron un 82,9% de precisión de palabras y un 59,5% de precisión a nivel de oración en inglés afroamericano, y sus transcripciones cambiaron el quién, el qué, el cuándo o el dónde el 31% de las veces (Jones et al., Language 2019). Nuestras estadísticas de precisión del reconocimiento de voz en tribunales tratan los pilotos automatizados que heredan este problema.
La evidencia clínica es reciente y de muestra pequeña. En visitas de atención domiciliaria grabadas, dos sistemas de Amazon mostraron cada uno una brecha mediana de WER de 17 puntos entre pacientes negros y blancos (50 menos 33, y 54 menos 37), mientras que Whisper fue igual de deficiente para ambos. La contratación es el único contexto con un resultado tranquilizador: el sesgo de transcripción apareció en casi todas las comparaciones, y los autores hallaron que no se trasladó a las puntuaciones de las entrevistas. El costo que señalan los usuarios es conductual, ya que casi todos los participantes de un estudio de diario de dos semanas cambiaron su forma de hablar.
| Métrica | Valor | Fuente |
|---|---|---|
| Precisión de los taquígrafos judiciales en inglés afroamericano, nivel de palabra vs nivel de oración (estándar de certificación 95%) | 82,9% vs 59,5% | Jones et al., Testifying While Black, Language 2019 |
| Transcripciones que cambiaron el quién, el qué, el cuándo o el dónde | 31%; 27 taquígrafos judiciales, 9 hablantes, 83 oraciones | Jones et al., Testifying While Black, Language 2019 |
| WER mediano, pacientes negros vs blancos de atención domiciliaria, AWS General y AWS Medical | 50% vs 33% (P = 0,016); 54% vs 37% (P = 0,0012) | Zolnoori et al., JAMIA Open 2024 |
| WER mediano, pacientes negros vs blancos, Whisper large-v3 | 75% vs 72% (P = 0,66); 35 pacientes | Zolnoori et al., JAMIA Open 2024 |
| Tasa de error en notas clínicas dictadas: borrador del reconocimiento de voz, tras el transcriptor, nota firmada | 7,4%, 0,4%, 0,3%; 217 notas | Zhou et al., JAMA Network Open 2018 |
| Transcripciones de Whisper con texto alucinado; proporción de alucinaciones con daños explícitos | 1,4% de 13.140 segmentos; 38% | Koenecke et al., Careless Whisper, FAccT 2024 |
| Entrevistas simuladas en video transcritas por cuatro métodos de ASR y una persona | N = 1.014 y N = 414; sesgo significativo del ASR en casi todas las comparaciones, sin sesgo de medición relevante en las puntuaciones | Hickman et al., Journal of Applied Psychology 2025 |
| Usuarios afroamericanos de tecnología de voz que modificaron su dialecto para ser entendidos | 93% (n = 28 de 30); 77% manifestó frustración con los errores | Mengesha et al., Frontiers in Artificial Intelligence 2021 |
Contexto: el estudio de los taquígrafos judiciales mide a transcriptores humanos, no software, y el estudio de dictado clínico es el dato más reciente disponible sobre tasas de error en notas firmadas (Zhou et al., JAMA Network Open 2018). Los experimentos de alucinación se realizaron en 2023; los autores hallaron que el 19% de las 312 transcripciones alucinadas implicaba violencia, el 13% asociaciones inexactas y el 8% falsa autoridad, y que no hubo alucinaciones comparables al reprocesar los segmentos afectados con sistemas de otros proveedores (Careless Whisper). El resultado sobre contratación (Hickman et al.) proviene de entrevistas simuladas, no de decisiones reales de selección.
Resumen: Sesgo de Acento y Tasa de Error de Palabras en el Reconocimiento de Voz en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| WER promedio, hablantes negros vs blancos, cinco sistemas comerciales | 0,35 vs 0,19 | Stanford (Koenecke et al.), PNAS 2020 |
| WER medio, hablantes afroamericanos vs estadounidenses caucásicos, cuatro sistemas comerciales | 20% vs 15% | Universidad de Washington (Scott et al.), LREC 2026 |
| WER de Whisper-large-v2, hablantes negros o afroamericanos vs blancos | 9,52 vs 3,96 | Meta (Veliche et al.), Fair-Speech Dataset 2024 |
| WER de Whisper-large-v2, hablantes hombres vs mujeres | 7,91 vs 3,86 | Meta (Veliche et al.), Fair-Speech Dataset 2024 |
| WER de Whisper large, inglés con acento de EdAcc vs LibriSpeech test-clean | 19,7% vs 2,7% | Universidad de Edimburgo (Sanabria et al.), artículo de EdAcc 2023 |
| WER de Whisper Large V2, CORAAL vs LibriSpeech Clean | 16,2 vs 2,7 | OpenAI (Radford et al.), artículo de Whisper 2022 |
| Mejor WER promedio, pista de formato corto en inglés de Open ASR Leaderboard | 5,42 entre 86 sistemas evaluados | Artículo de Open ASR Leaderboard (Srivastav et al.), v4 de marzo de 2026 |
| WER de Whisper-large en inglés panafricano, general vs clínico | 0,240 vs 0,375 | Olatunji et al., AfriSpeech-200, TACL 2023 |
| Brecha de WIL, hablantes con inglés vs otra primera lengua | 0,14 (P<0,001) | DiChristofano et al., arXiv 2023 |
| WER del ASR de neerlandés en habla leída, no nativos vs nativos | 55,9% vs 26,1% | TU Delft (Feng et al.), Quantifying Bias in ASR 2021 |
| WER de referencia, habla típica vs disártrica asociada al párkinson | 3,4% vs 36,3% | Speech Accessibility Project (Hasegawa-Johnson et al.), JSLHR 2024 |
| Línea base Whisper-large-v2 vs mejor sistema del desafío en habla disártrica | 17,82% vs 8,11% | Zheng et al., Interspeech 2025 Speech Accessibility Project Challenge |
| WER de modelos personalizados vs independientes del hablante, habla alterada | 4,6% vs 31% | Google Research (Green et al.), Interspeech 2021 |
| WER medio en seis sistemas, versiones tartamudeadas vs fluidas | 0,281 vs 0,105 | Mujtaba et al., Lost in Transcription, NAACL 2024 |
| Horas de entrenamiento de Whisper, total vs distintas del inglés | 680.000 vs 117.000 (96 idiomas) | OpenAI (Radford et al.), artículo de Whisper 2022 |
| Common Voice Scripted Speech v27.0 | 295 idiomas, 29.295 horas validadas | Mozilla Common Voice, cv-dataset v27.0 2026 |
| WER mediano, pacientes negros vs blancos de atención domiciliaria, AWS General | 50% vs 33% (P = 0,016) | Zolnoori et al., JAMIA Open 2024 |
| Precisión de palabras de taquígrafos judiciales en inglés afroamericano vs estándar de certificación | 82,9% vs 95% | Jones et al., Testifying While Black, Language 2019 |
| Usuarios de tecnología de voz que modificaron su dialecto | 93% (n = 28 de 30) | Mengesha et al., Frontiers in Artificial Intelligence 2021 |
Metodología y Fuentes
Realizamos 23 búsquedas y leímos el artículo primario, la página del conjunto de datos o el registro de la revista de cada cifra anterior. El WER se informa con la notación de cada fuente: fracciones en Koenecke et al., AfriSpeech-200 y Mujtaba et al., porcentajes en el resto. Las cifras con más de tres años de antigüedad se señalan en las secciones como dato más reciente disponible.
- Koenecke et al., Racial disparities in automated speech recognition, PNAS 2020
- Scott, Liang, Wassink y Levow, A Sociophonetic Analysis of Racial Bias in Commercial ASR Systems Using the Pacific Northwest English Corpus, LREC 2026
- Veliche et al. (Meta), Towards measuring fairness in speech recognition: Fair-Speech dataset, 2024
- Radford et al. (OpenAI), Robust Speech Recognition via Large-Scale Weak Supervision, 2022
- Sanabria et al. (Universidad de Edimburgo), The Edinburgh International Accents of English Corpus, ICASSP 2023
- Srivastav et al., artículo de Open ASR Leaderboard, v4 de marzo de 2026
- DiChristofano, Shuster, Chandra y Patwari, Global Performance Disparities Between English-Language Accents in Automatic Speech Recognition, 2023
- Olatunji et al., AfriSpeech-200: Pan-African Accented Speech Dataset for Clinical and General Domain ASR, TACL 2023
- Feng, Kudina, Halpern y Scharenborg (TU Delft), Quantifying Bias in Automatic Speech Recognition, 2021
- Tatman (Universidad de Washington), Gender and Dialect Bias in YouTube’s Automatic Captions, ACL Ethics in NLP Workshop 2017
- Attia et al., Kid-Whisper, 2024
- Hasegawa-Johnson et al., Community-Supported Shared Infrastructure in Support of Speech Accessibility, JSLHR 2024
- Zheng et al., The Interspeech 2025 Speech Accessibility Project Challenge
- Green et al. (Google Research), Automatic Speech Recognition of Disordered Speech, Interspeech 2021 y el blog del conjunto de datos de Project Euphonia, 2021
- Mujtaba et al., Lost in Transcription, NAACL 2024
- Lea et al., From User Perceptions to Technical Improvement: Enabling People Who Stutter to Better Use Speech Recognition, CHI 2023
- Koenecke et al., Careless Whisper: Speech-to-Text Hallucination Harms, FAccT 2024
- Pratap et al., Scaling Speech Technology to 1,000+ Languages (MMS), 2023; Omnilingual ASR, 2025; Google USM, 2023; FLEURS, 2022
- Mozilla Common Voice, repositorio cv-dataset y estadísticas de la v27.0, 2026
- Jones, Kalbfeld, Hancock y Clark, Testifying While Black, Language 95(2), 2019
- Zolnoori et al., Decoding disparities, JAMIA Open 2024
- Zhou et al., Analysis of Errors in Dictated Clinical Documents Assisted by Speech Recognition Software and Professional Transcriptionists, JAMA Network Open 2018
- Hickman, Langer, Saef y Tay, Automated speech recognition bias in personnel selection, Journal of Applied Psychology 2025
- Mengesha et al., Impact of Automated Speech Recognition Errors on African Americans, Frontiers in Artificial Intelligence 2021
- Nota sobre los datos: varias fuentes se contradicen o miden cosas distintas. El texto del artículo de Whisper da un WER de 2,5 en LibriSpeech clean, mientras que su Tabla 2 indica 2,7 (usamos la tabla). El resumen de Careless Whisper dice que aproximadamente el 1% de las transcripciones fueron alucinadas y su sección de resultados dice 1,4% (usamos 1,4%), y sus autores señalan que los experimentos son de 2023. El 36,3% y el 23,7% del resumen del Speech Accessibility Project coinciden con las filas de prompts no compartidos del artículo; con todos los prompts de prueba, la cifra tras el ajuste fino es del 18,72%. El texto de Fair-Speech menciona 50 hablantes en el tramo de ingresos más alto, mientras que su tabla indica 41. DiChristofano et al. informan la información de palabras perdida, no el WER, así que sus brechas no son comparables con las demás filas. La evaluación de Scott et al. se realizó en 2022 con 16 hablantes y se publicó en 2026. El Open ASR Leaderboard cambia de forma continua: la versión de octubre de 2025 del artículo listaba 64 modelos con un mejor WER promedio de 5,63, y la versión de marzo de 2026, 86 sistemas y 5,42. Los totales de horas de Common Voice provienen de los datos del gráfico de versiones del repositorio, y las proporciones de género, de su archivo de estadísticas de la v27.0. En Testifying While Black, la página de la revista está tras una verificación de acceso, por lo que las cifras se leyeron en el resumen del artículo publicado por el autor principal; ese resumen da dos cifras distintas de comprensión de paráfrasis, que por eso dejamos fuera. No pudimos verificar una afirmación muy repetida sobre el WER de un proveedor de selección de personal con hablantes no nativos y la descartamos.
Última actualización: 11 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando Mozilla publique Common Voice Scripted Speech v28.0.