¿Por qué la interpretación con IA sigue equivocándose con los nombres propios?

Los clientes que utilizan nuestro sistema de interpretación simultánea con IA para eventos en tiempo real, Nubart TRANSLATE, nos envían sus programas, presentaciones y listas de ponentes. Nuestro equipo utiliza esta documentación para preparar la IA para cada evento. Aun así, a veces recibimos un mensaje después del evento con una pregunta como ésta: «El nombre de la empresa aparecía en el PowerPoint que os envié. ¿Por qué la IA no lo tradujo correctamente?». Entendemos perfectamente la preocupación. En muchos casos, el problema es que el sistema ha reconocido algo distinto de lo que realmente ha dicho el ponente. Como intérprete de conferencias, conozco bien esta dificultad: un nombre propio que aparece escrito en un programa puede sonar muy diferente cuando alguien lo pronuncia deprisa y en voz alta. En este artículo explicamos las tres etapas del proceso de interpretación con IA en las que puede producirse un error con los nombres propios, y cómo preparar la documentación del evento puede ayudar a evitarlo.

---

Tres pasos, tres oportunidades para equivocarse con un nombre

La interpretación con IA se basa en tres sistemas que trabajan de forma consecutiva. Primero, el sistema de reconocimiento de voz escucha al ponente y transcribe lo que dice. A continuación, un motor de traducción traduce el texto, normalmente en fragmentos breves. Por último, una voz sintética reproduce la traducción en voz alta. Nubart TRANSLATE ofrece todas las traducciones tanto en formato de audio como de texto.

1. 1. Reconocimiento de voz transcribe lo que ha dicho el ponente Error típico: el nombre se reconoce mal
2. 2. Traducción traduce el texto, frase a frase Error típico: el nombre se interpreta mal
3. 3. Voz sintética reproduce la traducción en voz alta Error típico: el nombre se pronuncia mal

Un nombre puede dar problemas en cualquiera de estas tres etapas, y cada caso requiere una solución distinta. A veces, un cliente nos dice que el sistema ha «traducido mal» una palabra. Sin embargo, nuestra experiencia acumulada en cientos de eventos nos dice que, en la mayoría de los casos, el problema se ha producido antes: el sistema ha «transcrito mal» esa palabra, y eso ha dado lugar a una traducción incorrecta. Por eso, lo primero que hacemos es preguntarnos: ¿qué ha escrito exactamente el sistema de reconocimiento de voz? Si ha transcrito una palabra equivocada, el motor de traducción difícilmente podrá ofrecernos una traducción correcta.

Cuando el sistema oye algo distinto de lo que se ha dicho

Pensemos, por ejemplo, en el nombre de la empresa Accenture, pronunciado por un ponente hispanohablante durante una presentación en español. Si ese nombre aparece en la documentación que el cliente nos ha enviado para preparar el evento, nuestro equipo lo incorpora a la preparación. En la práctica, le indicamos al sistema que, si oye algo parecido a «acenture», «axentue» o «axentir», probablemente el ponente se esté refiriendo a Accenture y, por tanto, debe transcribirlo así. De este modo, el motor de traducción recibe el nombre correcto en la transcripción y puede conservarlo al traducir al otro idioma.

Pero ¿qué ocurre si el ponente lo pronuncia de una forma que no habíamos previsto, más parecida a «asentue»? Si esa variante no estaba entre las pronunciaciones que habíamos preparado, el sistema de reconocimiento de voz podría confundirla con el verbo «acentúe». El motor de traducción traduciría entonces esa palabra como si fuera un verbo. Y los oyentes anglófonos escucharían «emphasize».

La traducción es correcta, pero de la palabra equivocada.

Algo parecido ocurre con los nombres de personas. Un nombre francés como «Thibaut» puede sonar muy distinto cuando lo pronuncia alguien que habla inglés, español o alemán. Preparamos las variantes de pronunciación más probables, pero es imposible anticipar todas las formas en que cada ponente puede pronunciar un nombre, con sus distintos acentos y velocidades de habla. Según nuestra experiencia con Nubart TRANSLATE, los errores de reconocimiento de voz —es decir, los casos en los que el sistema no identifica correctamente lo que dice el ponente— están detrás de aproximadamente tres cuartas partes de los errores.

La investigación apunta en la misma dirección. Un estudio sobre el tratamiento de los nombres propios en la traducción de voz concluyó que estos sistemas tienen dificultades para reconocerlos y que, en los sistemas que primero transcriben el discurso y después traducen el texto, buena parte de los errores se origina en el reconocimiento de voz (Gaido et al., 2022). Una evaluación posterior, publicada en 2024, puso a prueba sistemas de traducción de voz con nombres propios en charlas grabadas. Facilitar a los sistemas una lista de los nombres que aparecerían en las grabaciones mejoró los resultados. Sin embargo, incluso el sistema con mejor rendimiento seguía sin reconocer aproximadamente uno de cada ocho nombres de organizaciones (Awiszus et al., 2024). En aquel estudio, los sistemas podían procesar la grabación completa de una sola vez. En la interpretación en directo, en cambio, hay que tomar decisiones en tiempo real. Ambos estudios confirman lo que también observamos al analizar nuestras propias transcripciones.

Cuando un término poco habitual suena igual que otro muy común

Hay un segundo caso, algo más complicado. Imaginemos que una empresa tiene un Consejo Asesor Estratégico ('Strategic Advisory Board') al que todo el mundo dentro de la organización llama «SAB». Al pronunciarlo en voz alta, «SAB» y «SAP» apenas se distinguen. La empresa de software SAP aparece con mucha más frecuencia en los datos con los que se han entrenado estos sistemas que cualquier sigla interna de una empresa. Cuando la pronunciación no permite distinguir claramente entre ambas, el sistema de reconocimiento de voz tiende a elegir la opción que le resulta más familiar: SAP.

Preparar el sistema para que reconozca «SAB» en lugar de «SAP» suele ayudar. Pero no podemos indicarle que cualquier cosa que suene como «SAP» debe transcribirse como «SAB», porque es perfectamente posible que otro ponente, durante el mismo evento, realmente se esté reciriendo a SAP. Este tipo de confusión es especialmente frecuente con las siglas cortas y con los nombres propios que suenan como palabras de uso común.

Cuando la palabra se ha reconocido correctamente

En ocasiones, el sistema de reconocimiento de voz transcribe la palabra correctamente, pero el error se produce en la etapa siguiente.

Por lo general, el motor de traducción trabaja con fragmentos de texto breves y no dispone de una visión global del tema de la conversación. Por eso, puede traducir incorrectamente una palabra con varios significados. Por ejemplo, la palabra alemana «Schalter» puede significar tanto «interruptor» como «mostrador». Para evitar este tipo de errores, nuestro equipo proporciona al motor de traducción un breve texto de contexto sobre el evento, redactado en el idioma del ponente. El motor tiene en cuenta ese contexto al traducir cada fragmento, de forma parecida a como un intérprete consulta sus notas de preparación. Además, cuando determinados términos deben traducirse siempre de una manera concreta —o, por el contrario, deben mantenerse sin traducir—, nuestro equipo configura esas instrucciones para cada idioma de destino. Así, si el contexto es técnico, lo más probable es que «Schalter» se traduzca como «interruptor» y no como «mostrador».

La última etapa es la generación de voz. Una voz sintética pronuncia los nombres extranjeros siguiendo las reglas fonéticas de su propio idioma. Por ejemplo, una voz en inglés puede pronunciar el apellido alemán «Grünwald» de una manera que apenas reconocería alguien familiarizado con la pronunciación alemana. También es posible ajustar manualmente la pronunciación.

Los nombres propios no se tratan todos de la misma manera: depende de qué tipo de nombre sean y de cómo deban utilizarse. Por ejemplo, el nombre de una empresa como Accenture se escribe igual en todos los idiomas. En cambio, el nombre de una ciudad puede variar según el idioma: Köln, por ejemplo, se convierte en Colonia en español, y es correcto traducirlo así. Los nombres de personas se mantienen por escrito, pero su pronunciación puede cambiar de un idioma a otro. Y las siglas pueden pronunciarse como una palabra o letra por letra. Por eso, un simple glosario rara vez basta para resolver el problema: cada nombre necesita un tratamiento específico.

Para los nombres más importantes, nuestro equipo consulta su pronunciación en el Alfabeto Fonético Internacional (AFI) y adapta las indicaciones a los idiomas de los ponentes, que el cliente nos facilita al realizar el pedido. Alrededor del 60 % del proceso de preparación está automatizado y se lleva a cabo a partir de los archivos que el cliente sube a su panel de control protegido con contraseña. Sin embargo, decisiones como estas siguen estando en manos de nuestro equipo de especialistas lingüísticos, no de la IA.

Palabras que nunca se han traducido y por qué «más» no siempre es mejor

La preparación se basa en la documentación que recibimos. Si un nombre no aparece en los materiales, nuestro equipo no puede saber de antemano que esa palabra necesita un tratamiento especial. Lo mismo ocurre cuando la documentación llega demasiado tarde y no nos da tiempo a procesarla. No obstante, en un evento siempre va a haber términos que no se pueden preparar con antelación, porque los eventos en directo son impredecibles por naturaleza. En una sesión de preguntas y respuestas, por ejemplo, nadie sabe qué preguntará el público ni qué nombres propios surgirán en las respuestas. Y las mejores intervenciones suelen ser precisamente las más espontáneas, las que no estaban previstas. Un intérprete humano se enfrenta a la misma dificultad. En ¿Puede la interpretación con IA cometer errores graves? (en inglés) explico qué implica esto para tus asistentes y, si procede, para lo que tienes que acordar con tus clientes.

Es comprensible que muchos clientes quieran enviarnos todo el material disponible: cada documento, cada lista de términos, incluso cientos de páginas. Sin embargo, esto no suele ser de gran ayuda. Nuestro equipo prepara el reconocimiento de voz específicamente para las palabras que pueden plantear problemas, como nombres propios, siglas, nombres de productos inventados y grafías poco habituales. Las palabras de uso común se excluyen deliberadamente, ya que una lista demasiado extensa puede interferir en el reconocimiento de otras palabras habituales que suenan parecido. El texto de contexto que recibe el motor de traducción también tiene una extensión limitada, y por una buena razón: se utiliza en cada fragmento de traducción, y un contexto demasiado extenso puede perjudicar la calidad del resultado. Saber qué dejar fuera es tan importante como decidir qué incluir. Explico este mismo fenómeno en relación con los glosarios extensos en el artículo Qué esperar de la interpretación con IA frente a la interpretación humana.

Preparar la IA no es lo mismo que entrenarla

Algunos clientes dan por hecho que la IA aprende su terminología y mejora con cada evento. Pero no es así. En el ámbito de la inteligencia artificial, «entrenar» un modelo significa alimentarlo con enormes cantidades de datos para que aprenda a partir de ellos. Aunque técnicamente es posible, se trata de un proceso que queda fuera de nuestro alcance y que, para un solo evento, sería desproporcionadamente costoso. En lugar de eso, nuestro equipo prepara modelos de IA ya existentes para cada evento. Es algo parecido a preparar a un intérprete humano: el intérprete ya tiene todos los conocimientos y habilidades necesarios (el "modelo", por así decirlo, es su cerebro), pero necesita familiarizarse con el tema específico del evento.

Esto tiene dos consecuencias importantes. En primer lugar, el material que nos facilitas se utiliza exclusivamente para preparar tu evento. El contenido del evento no se utiliza para entrenar modelos de IA, y nuestros proveedores tienen contractualmente prohibido hacerlo. En segundo lugar, el sistema no aprende simplemente por escuchar. Utilizar Nubart TRANSLATE para leer una presentación en voz alta varias veces antes del evento no mejora el resultado. Cada evento se prepara a partir de su propia documentación.

Qué puedes hacer para obtener mejores resultados y cómo actuar si un término se ha traducido mal

Sube a tu área de cliente los mismos materiales que facilitarías a un intérprete humano: el programa, las diapositivas, las biografías de los ponentes y las fichas de producto. Nosotros nos encargamos de preparar la IA a partir de esa documentación. Procura que los nombres de los ponentes, los productos y el lugar de celebración aparezcan en alguno de los documentos. No necesitas elaborar un glosario. Si hay nombres o términos cuya traducción o pronunciación deba ajustarse a una forma concreta, basta con que nos facilites una breve lista. Envíanos toda la documentación con la mayor antelación posible: preparar la IA lleva tiempo, y quizá no podamos incorporar los materiales que recibamos apenas unas horas antes del evento.

Si durante el evento se ha producido algún error con un término, indícanos qué palabra esperabas oír, aproximadamente cuándo se pronunció y en qué sala. Salvo que hayas solicitado el borrado inmediato de los datos del evento, podremos revisar la transcripción y determinar en cuál de las tres etapas se produjo el error. Así sabremos si el problema estuvo en el reconocimiento de voz, en la traducción o en la pronunciación de la voz sintética, y podremos corregirlo de cara a tu próximo evento.

Si quieres comprobar de antemano cómo funcionará el sistema, también puedes solicitar una prueba con la IA preparada específicamente para tu evento. Se trata de un servicio de pago: nuestro equipo prepara el sistema a partir de tu documentación y tú puedes probarlo durante 30 minutos. Si algunos términos siguen sin reconocerse, traducirse o pronunciarse correctamente, nos lo comunicas y volvemos a trabajar en ellos. El servicio incluye una ronda de revisión.