La mejor transcripción para idiomas asiáticos en 2026

Ningún motor de transcripción destaca en todos los idiomas asiáticos. La elección correcta depende del idioma que necesites, del nivel de precisión que requieras y de si estás creando un producto o procesando archivos manualmente. Este post mapea cada idioma asiático principal con el motor que mejor rinde para él, con cifras de CER/WER extraídas de benchmarks verificables.

Por qué la precisión en idiomas asiáticos es un problema distinto

Los benchmarks de precisión para idiomas asiáticos usan métricas diferentes a las del inglés. Para chino, japonés y coreano, el CER (tasa de error de caracteres) es la medida correcta, porque esos sistemas de escritura no usan espacios entre palabras. El WER (tasa de error de palabras) exigiría definir "palabras" de una forma que no encaja limpiamente con cómo funcionan estos sistemas.

Ten presente esa distinción al comparar las afirmaciones de los proveedores. Un proveedor que reporta "95% de precisión" para japonés sin especificar si es WER o CER probablemente esté usando una definición más laxa. El post sobre precisión en transcripción explicada cubre esto con más detalle.

Mandarín y cantonés: SenseVoice lidera

Para mandarín, SenseVoice (el modelo abierto del equipo FunAudioLLM de Alibaba) logra un 10,78% de CER frente al 12,55% de Whisper Large-v3 en benchmarks estándar. En cantonés la brecha se amplía: SenseVoice alcanza un 7,09% de CER, mientras que Whisper Large-v3 llega al 10,41%. En cuanto a velocidad, SenseVoice corre entre 52 y 118 veces más rápido que el tiempo real en Apple Silicon, comparado con las 13 o 14 veces de Whisper en hardware equivalente.

La distinción importante: SenseVoice es un modelo de código abierto, no un producto SaaS. La API comercial de voz de Alibaba está disponible a través de Alibaba Cloud Model Studio (Fun-ASR 1.5, lanzado en abril de 2026) y es la opción adecuada para flujos de trabajo de mandarín en producción dentro del ecosistema chino. La documentación está disponible en inglés en alibabacloud.com.

iFlytek es una empresa independiente que lleva más de una década ofreciendo modelos de vocabulario especializados para dominios concretos del mandarín (medicina, derecho, finanzas). Los precios son opacos y requieren contacto directo; para desarrolladores fuera de China, la fricción con la documentación es real.

Para flujos de trabajo en mandarín fuera de China, OpenAI Whisper o Google Cloud STT Chirp son alternativas más accesibles con niveles de precisión similares.

Japonés y coreano: Whisper aguanta bien, CLOVA gana en profundidad para coreano

Whisper Large-v3 consigue un CER del 8-12% tanto en japonés como en coreano, y supera a SenseVoice en estos dos idiomas (el punto fuerte de SenseVoice es específicamente el mandarín y el cantonés). Para el japonés, el punto débil de Whisper es la conversación espontánea con mucha variación dialectal; el habla formal se transcribe sin problemas.

Para el coreano, Naver CLOVA Speech es la opción dedicada, respaldada por los propios datos de investigación de NAVER. Soporta coreano, inglés, japonés y chino simplificado, y en 2024 añadió streaming en tiempo real para coreano, inglés y japonés. El tratamiento de los honoríficos propios del coreano y de los registros formal e informal es mejor en CLOVA que en Whisper. El acceso se hace a través de NAVER Cloud Platform, con documentación disponible en inglés.

Mi opinión: para transcripción en japonés, Whisper Large-v3 a través de la API de OpenAI o de un servicio basado en Whisper es el punto de partida más sencillo. Para coreano, Whisper sirve para uso general; CLOVA merece la pena evaluarlo si necesitas vocabulario técnico especializado o integración con productos nativos coreanos.

Idiomas de la India: Azure Speech cubre la amplitud

Microsoft Azure Speech has realizado una inversión específica en datos de entrenamiento para lenguas indias y admite hindi (hi-IN), tamil (ta-IN), telugu (te-IN), bengalí (bn-IN/bn-BD), maratí (mr-IN), guyaratí (gu-IN), punyabí, asamés y oriya, cubriendo más del 90% del mercado de lenguas indias por número de hablantes. Whisper maneja el hindi con un WER del 9-14% y gestiona las demás lenguas indias principales, pero el entrenamiento especializado de Azure en fonología y variación de acentos indios le da ventaja para uso en producción.

El STT en tiempo real de Azure Speech cuesta $1.00/hora estándar, $0.36/hora para transcripción rápida y $0.18/hora para procesamiento por lotes (según documentación del proveedor a mediados de 2026). El nivel gratuito incluye 5 horas de audio al mes.

Google Cloud STT Chirp también cubre hindi, tamil, telugu y bengalí (solo Chirp 2 para bengalí), con precios de $0.016/min en tiempo real o $0.004/min por lotes. Consulta el desglose de precios de Google Cloud Speech-to-Text para la comparación completa.

Lenguas del Sudeste Asiático: Google Cloud Chirp y Whisper

Para vietnamita, tailandés, indonesio, tagalo/filipino y malayo, el panorama es más limitado. Google Cloud STT Chirp (V2) los cubre todos: tailandés (th-TH), vietnamita (vi-VN) e indonesio (id-ID) tienen soporte completo; tagalo y malayo también están disponibles a través de V2.

La precisión de Whisper cae notablemente en lenguas tonales con menos datos de entrenamiento. El tailandés registra un WER del 18-26% y el vietnamita del 15-22%, lo que refleja tanto la complejidad tonal como un menor volumen de datos en comparación con el mandarín o el japonés. Son cifras utilizables para muchos flujos de trabajo, pero la diferencia con el inglés es real.

El modelo Universal de AssemblyAI (confirmado en la documentación: japonés, coreano, mandarín, hindi, tailandés, vietnamita e indonesio están todos soportados) tiene un precio de $0.15/hora para Universal-2 y $0.21/hora para Universal-3.5 Pro. La ventaja es que obtienes diarización de hablantes, análisis de sentimiento y temas con la misma llamada a la API; la desventaja es que la precisión por idioma para las lenguas del Sudeste Asiático no ha sido específicamente evaluada de forma pública.

Referencia rápida por idioma

Las cifras de CER provienen de los benchmarks de VexaScribe (verificados en junio de 2026). Las cifras de WER provienen de la misma fuente. "No publicado" significa que no se encontró ningún benchmark independiente al momento de escribir esto.

Lo que realmente funciona para el cambio de código

El cambio de código es la norma en muchas conversaciones asiáticas: el hinglish (hindi-inglés), el singlish (inglés singapurense con malayo y mandarín), el taglish (tagalo-inglés) y el manglish (inglés malayo con malayo) implican todos cambios a mitad de frase.

Las herramientas que manejan el cambio de código sin configuración manual:

• OpenAI Whisper: establece el idioma dominante; el modelo gestiona los cambios automáticamente sin necesidad de declarar ambos códigos de idioma. Es el enfoque más fiable para el hinglish y el taglish.
• Google Cloud STT v2: ofrece opciones explícitas de configuración de cambio de código en la API, útiles cuando conoces los dos idiomas de antemano.
• AssemblyAI Universal: la detección automática de idioma cubre el contenido con cambio de código hasta cierto punto.

Las herramientas que fallan: los motores que exigen declarar un único idioma de forma estricta y lo imponen mediante filtros de confianza alucinan o eliminan los segmentos con cambio de código.

Flujo de trabajo práctico para la transcripción en idiomas asiáticos

1. Identifica tu idioma y consulta la tabla anterior para fijar expectativas realistas de precisión antes de comprometerte con una herramienta o un flujo de trabajo.
2. Para mandarín: Alibaba Cloud Model Studio u OpenAI Whisper; para japonés y coreano: OpenAI Whisper; para idiomas indios: Azure Speech; para el sudeste asiático: Google Cloud STT Chirp.
3. Tras la transcripción, verifica primero los nombres propios, las marcas y los topónimos. Son la categoría con mayor tasa de error en todos los motores de idiomas asiáticos, independientemente de la CER global.
4. Para contenido con cambio de código, deja que el modelo lo detecte automáticamente en lugar de dividir los archivos. Dividir suele generar errores en los límites, donde un fragmento termina a mitad de palabra.
5. Para contenido publicado, pide a un hablante nativo que haga una revisión final. La IA te lleva casi hasta el final; la revisión humana cierra la brecha hasta la calidad de publicación.

Consulta también la guía diarización de hablantes explicada si necesitas separar varios hablantes en estos idiomas. La diarización es una capacidad independiente del soporte de idiomas y varía según la herramienta.

APIs frente a herramientas de usuario final para idiomas asiáticos

Para desarrolladores que construyen productos, la elección está entre OpenAI Whisper ($0.003-0.006/min), Google Cloud STT Chirp ($0.004-0.016/min según sea por lotes o en tiempo real), AssemblyAI Universal ($0.15/hr) y Azure Speech ($0.18-1.00/hr según el modo). Consulta la comparativa de precios de APIs de transcripción para el desglose completo orientado a desarrolladores.

Para usuarios finales que quieren transcribir archivos sin construir nada, las opciones principales son: herramientas con interfaz web que soporten estos idiomas de serie. Si quieres pasar un archivo sin crear una cuenta, ConvertAudioToText admite los principales idiomas asiáticos con carga instantánea. El plan gratuito permite 10 minutos de transcripción, concedidos una sola vez al registrarse y no cada mes; el plan Pro cuesta $9.99/mes por transcripción ilimitada.

Herramientas que conviene evitar para idiomas asiáticos

Varias herramientas capaces en otros aspectos tienen un soporte débil para idiomas asiáticos, lo que las convierte en la elección equivocada para este caso de uso.

• Otter, Rev, Trint: herramientas centradas en inglés. Su soporte para idiomas asiáticos existe pero no es una prioridad según la documentación de los proveedores; la precisión es generalmente inferior a las alternativas basadas en Whisper.
• Deepgram Nova-3: potente para inglés y lenguas europeas; según la documentación pública de Deepgram, la cobertura de idiomas asiáticos es limitada comparada con las opciones anteriores. Consulta Deepgram vs AWS Transcribe para la comparativa de APIs.
• AWS Transcribe: admite un conjunto limitado de idiomas asiáticos; los benchmarks de la comunidad sitúan su precisión por debajo de las herramientas basadas en Whisper para la mayoría de idiomas asiáticos, aunque AWS no ha publicado comparativas de CER.

Para contexto paralelo sobre otra familia lingüística, el artículo sobre la mejor transcripción para lenguas africanas aborda las mismas disyuntivas entre motor e idioma para un conjunto distinto de lenguas poco atendidas.

Preguntas frecuentes

¿Qué motor de transcripción funciona mejor para chino mandarín?

SenseVoice (el modelo abierto de Alibaba FunAudioLLM, disponible a través de Alibaba Cloud Model Studio) logra un 10,78% de CER en mandarín frente al 12,55% de Whisper Large-v3, y procesa audio entre 52 y 118 veces más rápido que el tiempo real. Para desarrolladores fuera de China, OpenAI Whisper o Google Cloud STT Chirp son alternativas sólidas con acceso directo a sus APIs.

¿Whisper maneja bien los idiomas asiáticos?

Sí, en los principales. Whisper Large-v3 consigue un 8-12% de CER en japonés y coreano, un 9-14% de WER en hindi y un 12,55% de CER en mandarín. El CER (tasa de error de caracteres) es la métrica adecuada para idiomas CJK porque los límites de palabra no se marcan con espacios, lo que hace que el WER resulte engañoso. El rendimiento baja en tailandés (18-26% de WER) y vietnamita (15-22% de WER).

¿Cuál es la opción de API más barata para transcribir idiomas asiáticos?

El modelo gpt-4o-mini-transcribe de OpenAI cuesta $0,003/min (unos $0,18/hora) y soporta los principales idiomas asiáticos. Whisper-1 y gpt-4o-transcribe se sitúan en $0,006/min. Google Cloud STT Chirp cuesta $0,016/min en tiempo real o $0,004/min en modo por lotes (entrega en 24 horas). AssemblyAI parte de $0,15/hora con Universal-2, pero los costes reales de producción con diarización y otros complementos suelen ser más altos.

¿Por qué falla mi transcripción con audio que alterna idiomas, como el hinglish o el taglish?

La mayoría de los motores esperan un único idioma declarado y fallan cuando los hablantes cambian a mitad de frase. Whisper Large-v3 gestiona el cambio de código automáticamente sin necesidad de declarar ambos idiomas; basta con fijar el idioma dominante y el modelo se encarga del resto. Google Cloud STT v2 ofrece opciones explícitas de configuración para el cambio de código. Si tu herramienta exige declarar un solo idioma, fijar el dominante y dejar que el modelo resuelva el resto funciona mejor que dividir los archivos de audio.

¿Son accesibles Naver CLOVA Speech e iFlytek fuera de Asia?

Ambos tienen APIs internacionales, pero el acceso práctico difiere. Naver CLOVA Speech está disponible a través de NAVER Cloud Platform con documentación en inglés y soporta coreano, inglés, japonés y chino simplificado. La plataforma global de iFlytek (global.xfyun.cn) lista APIs para más de 15 idiomas, incluido el inglés, pero los precios son opacos y normalmente requieren una cuenta de desarrollador para empezar. Para uso en producción fuera de Corea o China, las herramientas basadas en Whisper o Google Cloud STT son más directas.

Fuentes

• Precios de la API de OpenAI (tarifas de Whisper, gpt-4o-transcribe y gpt-4o-mini-transcribe)
• Idiomas compatibles con Google Cloud Speech-to-Text V2 (lista de idiomas de Chirp confirmada)
• Precios de Google Cloud Speech-to-Text (0,016 $/min en tiempo real, 0,004 $/min por lotes)
• Precios de AssemblyAI (Universal-2 a 0,15 $/hora, Universal-3.5 Pro a 0,21 $/hora)
• Idiomas compatibles con AssemblyAI (japonés, coreano, mandarín, hindi, tailandés, vietnamita e indonesio confirmados)
• SenseVoice en GitHub (FunAudioLLM) (descripción del modelo, datos de entrenamiento)
• Comparativa SenseVoice vs Whisper para CJK (cifras de CER, comparativas de velocidad verificadas en junio de 2026)
• Precisión de Whisper por idioma (cifras de CER/WER por nivel de idioma)
• ASR de Alibaba Cloud Model Studio (API de Fun-ASR 1.5)
• Resumen de Naver CLOVA Speech (soporte de coreano, inglés, japonés y chino simplificado confirmado)
• Precios de Azure Speech (1 $/hora en tiempo real, 0,18 $/hora por lotes confirmados)
• Plataforma global de iFlytek (lista de idiomas, modelo de precios)