Transcripción en yoruba: tonos, diacríticos y el camino por delante

El yoruba es una de las lenguas más habladas de África, con aproximadamente 50 millones de hablantes en el suroeste de Nigeria, Benín, Togo y una importante diáspora en el Reino Unido, Estados Unidos y Brasil. La demanda de transcripción es real: los canales de Nollywood en lengua yoruba generan ahora millones de visitas al día en YouTube, y los pódcast en yoruba se han multiplicado en todas las grandes plataformas. Sin embargo, a mediados de 2026, la transcripción en yoruba se encuentra en una posición incómoda: técnicamente dentro del alcance de los principales motores de ASR, pero sin la precisión ni la fiabilidad suficientes para su uso en producción.

Este es un análisis honesto de por qué ocurre esto, a dónde ha llegado la investigación y qué puedes hacer realmente hoy.

El sistema de tres tonos no es un detalle menor

El yoruba es tonal de una manera que determina directamente el significado, no solo la pronunciación. El idioma utiliza tres tonos de registro:

• Tono alto, marcado con un acento agudo: á
• Tono bajo, marcado con un acento grave: à
• Tono medio, sin marcar

Un ejemplo clásico: ọ́kọ̀ (alto-bajo) significa "esposo", ọ̀kọ̀ (bajo-bajo) significa "azada" y ọkọ̀ (medio-bajo) significa "vehículo". La distinción hablada es la altura tonal. La distinción escrita son los diacríticos. Si eliminas las marcas, destruyes el significado.

Más allá de las marcas tonales, el yoruba estándar utiliza puntos suscritos para las vocales abiertas y una consonante postalveolar: ẹ (e abierta), ọ (o abierta) y ṣ (similar a la "sh" inglesa). Las marcas de tono se superponen a estas: ẹ́, ẹ̀, ọ́, ọ̀. La ortografía se estandarizó en una conferencia en Lagos en 1875 organizada por misioneros y académicos locales, y el estándar se ha mantenido.

Una transcripción en yoruba lista para producción debe conservar cada diacrítico. Una transcripción sin ellos es técnicamente legible pero semánticamente incompleta, el equivalente a eliminar la puntuación de un texto legal en español.

Por qué el ASR tiene problemas específicamente con los diacríticos tonales

El problema no es solo de "bajos recursos". Es arquitectónico.

Un estudio de 2026 publicado en la ACL descubrió que los modelos ASR actuales basados en transformadores producen tasas de error más bajas en el texto en yoruba al que se le han eliminado las marcas tonales que en el texto totalmente diacritizado. Los autores atribuyen esto a tres factores: el comportamiento de la tokenización (la mayoría de los tokenizadores se diseñaron para alfabetos europeos y dividen los caracteres diacritizados de forma impredecible), la representación insuficiente de las señales acústicas tonales en los datos de preentrenamiento y la ausencia de modelado tonal en los objetivos subyacentes del modelo.

Este es un hallazgo contraintuitivo. Significa que los modelos no solo fallan al marcar los tonos, sino que se confunden activamente por la presencia de marcas en el texto de referencia durante el entrenamiento. Resolver adecuadamente la transcripción en yoruba requiere replantear cómo se tokenizan los diacríticos tonales, no solo añadir más audio en yoruba.

Para una explicación de por qué este patrón aparece en múltiples lenguas tonales de bajos recursos, consulta por qué la IA tiene dificultades con las lenguas de bajos recursos.

Dónde están las cifras

El artículo del conjunto de datos NaijaVoices (Interspeech 2025) proporciona la referencia pública más clara para el ASR en yoruba en modelos sin ajuste fino:

Una WER superior al 100% significa que el modelo produce más errores de palabras que las palabras de referencia que existen, generalmente debido a texto alucinado o frases repetidas. Whisper Large con un 106% de base está produciendo esencialmente ruido sobre audio limpio en yoruba.

El ajuste fino de Whisper Small en NaijaVoices reduce la tasa de error en aproximadamente 260 puntos porcentuales. Un 58% de WER sigue estando lejos del rango inferior al 15% típico del inglés listo para producción. La brecha entre "drásticamente mejor" y "utilizable sin revisión humana" sigue siendo grande.

Para poner en contexto cómo se comparan estas tasas de error con otros idiomas y servicios, consulta la precisión de la transcripción explicada.

Interfaz de la herramienta de voz a texto ConvertAudioToText

La fragmentación dialectal lo empeora

El ASR en yoruba estándar, por malo que sea, sigue superando a los dialectos del yoruba por un margen medible.

Las investigaciones que probaron MMS y SeamlessM4T en entornos zero-shot encontraron una brecha promedio de 12 puntos de WER entre el yoruba estándar y los dialectos regionales. Cifras específicas: yoruba estándar con 72.50 de WER, dialecto Ifẹ̀ con 85.38, dialecto Ìlàjẹ con 83.79.

El yoruba tiene al menos cinco grupos regionales: Noroeste (Oyo, Ogun), Noreste (Kwara), Central, Suroeste y Sureste, cada uno con diferencias fonológicas, léxicas y consonánticas. El dialecto Ijebu, hablado alrededor del estado de Ogun, tiene alternancias consonánticas y distinciones vocálicas documentadas que no aparecen en la forma escrita estándar. Un modelo entrenado en la lectura de noticias en Lagos no manejará una entrevista grabada en Ekiti u Ondo sin una pérdida sustancial de precisión.

Cuando se aplicó el ajuste fino adaptativo al dialecto con tan solo 800 instancias de entrenamiento por dialecto, los investigadores lograron una reducción de aproximadamente 20 puntos en la WER. Pequeñas cantidades de datos ayudan, pero solo si alguien recopila y etiqueta primero el audio específico del dialecto.

Alternancia de código en el habla de Lagos

El yoruba urbano de Lagos no se mantiene en un solo idioma por frase. Los hablantes pasan a mitad de frase entre el yoruba, el inglés y el pidgin nigeriano. Una oración puede comenzar en yoruba, insertar un término técnico en inglés y cerrar con una expresión en pidgin, todo gramaticalmente coherente para el hablante.

Un artículo de la ACL de 2025 sobre la alternancia de código yoruba-inglés descubrió que el ajuste fino de modelos ASR monolingües en el Corpus YECS (120 horas de habla con alternancia de código producida de forma natural por 140 hablantes bilingües) logró una reducción de más del 20% en la WER en audio con alternancia de código, manteniendo al mismo tiempo un rendimiento competitivo en el yoruba estándar. Los modelos monolingües ajustados resultaron computacionalmente más baratos que las alternativas multilingües y aun así cerraron la mayor parte de la brecha.

La conclusión práctica: un modelo multilingüe genérico manejará parcialmente los segmentos en inglés del habla con alternancia de código, pero fallará en las partes en yoruba y en las transiciones. El contenido grabado en yoruba formal, de un solo hablante y diacritizado se transcribirá mejor que el habla conversacional de Lagos, no porque el yoruba de Lagos sea "incorrecto", sino porque los modelos ASR están entrenados en el primero y no en el segundo.

Para más información sobre cómo afecta la alternancia de código a la precisión entre idiomas, consulta transcripción para hablantes no nativos de inglés.

Esfuerzos de conjuntos de datos comunitarios: qué existe

La situación de los recursos para el yoruba es mejor que hace cinco años. Varios conjuntos de datos concretos están ahora disponibles públicamente:

ÌròyìnSpeech (LREC 2024): 42 horas de habla en yoruba totalmente diacritizada de 80 hablantes voluntarios, extraídas de noticias y escritura creativa. Publicado bajo CC-BY-4.0, lo que significa que puede utilizarse para el entrenamiento de modelos comerciales. Esto destaca porque el texto de referencia diacritizado lo hace útil para estudiar específicamente el marcado tonal.

NaijaVoices (Interspeech 2025): 606,94 horas de habla en yoruba de 1.768 hablantes, parte de un conjunto de datos de 1.800 horas que cubre múltiples lenguas nigerianas. Actualmente es el mayor corpus abierto de habla en yoruba.

YECS Corpus: 120 horas de habla de alta calidad con alternancia de código yoruba-inglés, 99.930 pares de audio y texto validados, de 140 hablantes bilingües demográficamente diversos. Diseñado específicamente para el problema de la alternancia de código.

Masakhane (la comunidad de base africana de PLN, con más de 1.000 participantes en 30 países africanos) tiene el objetivo declarado para 2025 de recopilar 500 horas de habla para cinco lenguas subrepresentadas. Al momento de redactar este artículo no está confirmado públicamente si el yoruba está en ese grupo, pero la organización ha apoyado previamente el trabajo de PLN en yoruba a través de sus iniciativas de pruebas de rendimiento y conjuntos de datos.

Ahora existen más de 700 horas de habla abierta en yoruba en múltiples colecciones. Esa es una base viable para el ajuste fino. La limitación es la alineación entre el audio y las transcripciones de referencia totalmente diacritizadas, y la falta de una cobertura a gran escala equilibrada entre dialectos.

Qué requerirá realmente el yoruba listo para producción

Llevar el yoruba al rango de precisión del 85-90% necesario para una transcripción práctica y ligeramente editada requiere que todo lo siguiente ocurra al mismo tiempo:

1. Tokenización consciente del tono. Los modelos actuales deben reentrenarse o ajustarse con tokenizadores que traten los caracteres yoruba diacritizados como unidades individuales, no como carácter base más marca combinatoria. Este es un problema de preentrenamiento, no solo un parche de ajuste fino.

2. Datos de referencia diacritizados a escala. Los datos del ámbito de las noticias (lo que proporciona ÌròyìnSpeech) son un comienzo. Los datos conversacionales y diversos en dialectos a escala son los que cierran la brecha entre el rendimiento de laboratorio y el audio del mundo real.

3. Manejo integrado de la alternancia de código. Especialmente para el contenido de Lagos, un modelo que trate las transiciones yoruba-inglés como un error a minimizar siempre tendrá un rendimiento inferior en el material real que los investigadores y periodistas necesitan transcribir.

4. Cobertura dialectal. Una penalización de 12 puntos de WER para los dialectos significa que un modelo que es mediocre en el yoruba estándar es malo en el habla regional. Los datos de entrenamiento necesitan una mayor diversidad de hablantes.

En 2026 hay investigaciones en curso en las cuatro áreas a la vez, lo cual es mejor que hace tres años, cuando el propio conjunto de datos era el cuello de botella.

Comparación de lo que existe hoy

Para un contexto comparativo relacionado, consulta las mejores API de voz a texto en 2026.

Recomendaciones prácticas para 2026

Si necesitas transcribir audio en yoruba ahora:

Para investigación y borradores: Envía el archivo con el código de idioma "yo" a través de una API que dirija a Whisper o a un modelo ajustado. El resultado será texto en yoruba parcialmente correcto, a menudo sin marcas tonales y con algunos segmentos alucinados. Calcula una revisión con un hablante fluido de yoruba, especialmente para cualquier nombre propio, topónimo o término donde el tono cambie el significado.

Para uso formal, legal o de transmisión: La transcripción en yoruba solo con IA aún no está lista. La transcripción humana con un transcriptor certificado de yoruba sigue siendo el camino preciso. Utiliza el resultado de la IA como un primer borrador aproximado para reducir la carga de trabajo del transcriptor, no como un producto terminado.

Para contenido de África Occidental donde el yoruba no es estrictamente obligatorio: La transcripción en hausa funciona hoy con precisión de producción. Muchos creadores de contenido nigerianos trabajan en ambos idiomas, y para el contenido en el que el idioma puede ser flexible, el hausa es la opción actual más limpia.

Mi lectura sobre esto: el yoruba ha cruzado el umbral de "el modelo no sabe que este idioma existe" a "el modelo produce algo reconocible". La brecha entre eso y estar listo para producción sigue siendo sustancial. El impulso de la investigación y el volumen de conjuntos de datos en 2025-2026 es la mejor señal hasta ahora de que esta brecha se cerrará, pero la respuesta honesta hoy es que cualquier transcripción en yoruba producida por un motor de IA necesita a un humano con conocimientos en el proceso.

Si solo necesitas una transcripción limpia sin un bot de reuniones ni integraciones complejas, ConvertAudioToText es compatible con el yoruba a través de su API y te ofrece el resultado en bruto para editar. Es un punto de partida, no una solución terminada para este idioma.

Preguntas frecuentes

¿Whisper es compatible con el yoruba?

Whisper incluye el yoruba con el código de idioma "yo" desde la versión large-v3. En la práctica, el soporte es débil. La WER base en Whisper Large para yoruba supera el 100%, lo que significa que hay más palabras incorrectas que correctas antes de cualquier ajuste fino. Tras ajustarlo con el conjunto de datos NaijaVoices, Whisper Small baja a aproximadamente un 58% de WER, lo cual es mejor pero aún está lejos de la calidad legal o de transmisión.

¿Por qué el yoruba dificulta el reconocimiento de voz más que otras lenguas africanas?

Por tres razones superpuestas. Primero, el yoruba es una lengua de tres tonos donde la altura tonal cambia el significado de la palabra, y los tokenizadores ASR actuales no se diseñaron en torno a los diacríticos. Un estudio de la ACL de 2026 descubrió que los modelos producen tasas de error más bajas en texto sin tonos que en texto totalmente diacritizado, porque los propios diacríticos rompen la tokenización. Segundo, el yoruba tiene al menos cinco grupos dialectales regionales con diferencias fonológicas medibles; un modelo entrenado en yoruba estándar muestra una brecha de unos 12 puntos de WER en dialectos como el Ifẹ̀ y el Ìlàjẹ. Tercero, el habla urbana de Lagos alterna mucho el código con el inglés a mitad de frase, y la mayoría de los modelos manejan un idioma u otro, no la mezcla.

¿Qué conjuntos de datos comunitarios existen para el habla en yoruba?

A mediados de 2026 existen varios verificados. ÌròyìnSpeech (publicado en LREC 2024) contiene 42 horas de yoruba totalmente diacritizado de 80 hablantes voluntarios, publicado bajo licencia CC-BY-4.0. NaijaVoices (Interspeech 2025) añade 606 horas de habla en yoruba con 1.768 hablantes, el mayor conjunto abierto hasta la fecha. El Corpus YECS aporta 120 horas de habla espontánea con alternancia de código yoruba-inglés de 140 hablantes bilingües. Masakhane, la organización comunitaria de PLN, tiene el objetivo para 2025 de recopilar 500 horas para cinco lenguas africanas subrepresentadas, con el yoruba entre ellas.

¿Debería usar herramientas de transcripción en yoruba ahora o esperar?

Para investigación informal o contenido donde un borrador aproximado más edición manual sea aceptable, usar Whisper con el código de idioma "yo" es un punto de partida viable hoy en día. Planifica una revisión completa por parte de un hablante fluido, especialmente para las marcas tonales y los nombres propios. Para flujos de trabajo de transmisión, legales o de publicación formal, la precisión aún no es suficiente. Si tu contenido lo permite, la transcripción en hausa ya está lista para producción con mayor precisión y tiene una superposición significativa con los flujos de trabajo de contenido de África Occidental.

Fuentes

• Tone in Yoruba ASR: Evaluating the Impact of Tone Recognition on Transformer-Based ASR Models (ACL 2026)
• ÒWE-Voice: Evaluation of Monolingual and Multilingual ASR Using Yoruba Proverb Speech (AfricaNLP 2026)
• Voices Unheard: NLP Resources and Models for Yorùbá Regional Dialects (EMNLP 2024)
• The NaijaVoices Dataset (Interspeech 2025)
• ÌròyìnSpeech: A Multi-purpose Yorùbá Speech Corpus (LREC 2024)
• Fine-Tuning Monolingual ASR for Yoruba-English Code-Switching (CALCS 2025)
• Automatic Speech Recognition for African Low-Resource Languages: A Systematic Review (2025)
• Masakhane community
• Yoruba language, Wikipedia
• OpenAI Whisper tokenizer, GitHub