¿Por qué el dictado por voz es tan malo? Causas y soluciones

¿Por qué el dictado por voz es tan malo? (O voz a texto, o escritura por voz: mismos motores, misma pregunta.) Sobre todo porque el reconocimiento de voz es una cadena (micrófono, sala, voz, vocabulario, modelo) y tu transcripción solo es tan buena como su eslabón más débil. Dijiste «their» y salió «there» (dos palabras inglesas que suenan igual). Dijiste el apellido de tu jefe y salió una verdura. Te detuviste a pensar y apareció una frase que nunca dijiste.

Cada caso tiene su causa y su solución. A continuación: síntomas, causas, soluciones y, al final, una respuesta directa a si el dictado por voz cuenta como IA. ¿Buscas más bien una herramienta? Empieza por nuestra comparativa de software de dictado.

El dictado por voz falla por un puñado de razones predecibles

El dictado por voz se equivoca de palabra cuando el audio no es claro, cuando las palabras son de las que el modelo apenas vio durante el entrenamiento o cuando le falta contexto para elegir entre palabras que suenan igual. La mayoría de las quejas se remontan a una de esas tres causas, y el síntoma suele indicar cuál.

El micrófono importa más que el modelo

El audio deficiente es lo primero que hay que descartar cuando el dictado por voz funciona mal: un micrófono alejado de la boca graba la sala casi tan fuerte como tu voz, y ningún modelo puede recuperar palabras que nunca le llegaron con claridad. Los micrófonos de los portátiles están junto a ventiladores y teclados. Un teléfono sostenido con el brazo extendido en una calle concurrida graba sobre todo la calle.

Los auriculares con micrófono no son automáticamente mejores. Muchos auriculares Bluetooth pasan a un modo de llamada de menor calidad mientras su micrófono está activo, así que unos con cable baratos pueden superar a unos inalámbricos caros. Y comprueba qué está escuchando el ordenador: el dictado del Mac, la escritura por voz de Windows y Dictate de Word permiten elegir el micrófono, y el micrófono de una webcam al otro lado de la sala puede convertirse sin avisar en el predeterminado.

Los fabricantes coinciden. La guía de solución de problemas de Microsoft para Dictate de Word sugiere unos auriculares con micrófono o un micrófono externo y menos ruido de fondo; la ayuda de Google sobre la escritura por voz recomienda ir a un lugar tranquilo y conectar un micrófono externo.

Escucha lo que oye el software: graba veinte segundos con la app de notas de voz del teléfono, exactamente desde donde sueles dictar, y luego reprodúcelos con auriculares. Si oyes el lavavajillas, la campana extractora o tu propio teclado, el reconocedor también los oye, y mover el micrófono ayudará más que cambiar de app.

Tu forma de hablar cambia lo que oye

La forma de hablar influye en la precisión porque los reconocedores aprenden en gran parte de habla natural y fluida, así que dejar las frases en el aire, tragarse los finales o dictar palabra por palabra muy despacio le da al modelo menos con qué trabajar. El consejo de Microsoft de «hablar de forma más deliberada» funciona si deliberada significa completa, no lenta: piensa la frase entera y dila de un tirón.

Las pausas largas conllevan un riesgo más extraño. En un estudio de 2024 titulado «Careless Whisper», Allison Koenecke y sus colegas descubrieron que aproximadamente el 1 % de las transcripciones de Whisper de OpenAI contenían frases u oraciones enteras que no estaban en el audio, y que estas alucinaciones se daban de forma desproporcionada en hablantes con silencios más largos. La mayoría de las herramientas de dictado no se basan en ese modelo concreto, pero la lección se aplica igual.

Piensa con el micrófono apagado: cuando necesites más de unos segundos para encontrar la siguiente frase, detén el dictado, piensa y vuelve a empezar con la frase completa preparada. Obtienes menos frases a medias, y el motor nunca tiene un silencio largo que rellenar.

Los nombres, la jerga y los homófonos necesitan un contexto que no tiene

El dictado por voz tiene problemas con los nombres y la jerga porque un reconocedor se inclina hacia las palabras que vio a menudo durante el entrenamiento, y elige entre homófonos como «their» y «there» (en inglés, «su» y «allí») usando un contexto que con frecuencia le falta. Un teclado de teléfono oye una frase aislada. No sabe que estás respondiendo a Aoife sobre la renovación del tercer trimestre, así que recurre a las palabras más comunes que encajan con los sonidos.

Para las palabras poco frecuentes, dale tu vocabulario a la herramienta. Las apps de dictado con IA especializadas tienen diccionarios personalizados; el Laxis Voice Keyboard llama al suyo Personal Dictionary, para nombres, siglas y términos técnicos. El dictado integrado casi nunca tiene uno, así que corrige sobre la marcha: en un Mac, haz clic en una palabra subrayada en azul para ver alternativas; en un iPhone, di «change» y deletrea la corrección; en un Pixel, toca la palabra mal reconocida. Según Google, la escritura por voz avanzada del Pixel mejora a partir de las palabras que corriges.

Los homófonos requieren otro hábito. Las frases más largas le dan más pistas a la parte lingüística del modelo, así que «send it to their office» («envíalo a su oficina») sale mejor que «their» dicho solo. Después, revisa específicamente homófonos, números y negaciones, los tres puntos donde una sola palabra equivocada invierte el sentido.

Los acentos y dialectos no reciben el mismo trato

El dictado por voz es mediblemente menos preciso con algunos acentos y dialectos, porque los datos de entrenamiento de la mayoría de los motores sobrerrepresentan algunas formas de hablar. La prueba más conocida es un estudio de Stanford de 2020 publicado en PNAS y dirigido por Allison Koenecke: los sistemas de Amazon, Apple, Google, IBM y Microsoft, evaluados en 2019, reconocieron mal de media el 35 % de las palabras de hablantes negros frente al 19 % de las de hablantes blancos. Los motores han mejorado desde entonces, pero nadie ha demostrado que la brecha se haya cerrado.

Elegir la variante regional más parecida a tu forma de hablar ayuda, y no cuesta nada. Profundizamos en nuestra guía para dictar con acento o en dos idiomas.

Los teclados del teléfono usan modelos pequeños; los servicios en la nube pueden usar modelos grandes

El dictado en el teléfono suele ejecutarse en el propio dispositivo, donde el modelo de voz debe caber en la memoria y el presupuesto de batería de un teléfono, mientras que los servicios en la nube pueden ejecutar modelos mucho más grandes. Apple afirma que el dictado del iPhone se procesa en el dispositivo en muchos idiomas sin necesidad de internet. Google afirma que la escritura por voz avanzada del Pixel mantiene lo que dices en el teléfono salvo que uses funciones como Fix it. La escritura por voz de Windows, en cambio, usa reconocimiento en línea basado en los servicios Azure Speech de Microsoft.

Procesar en el dispositivo no es peor por definición. Es privado, funciona en un avión y los fabricantes de teléfonos están añadiendo modelos de lenguaje locales para pulir el resultado; en iOS 27, Apple usa uno para mejorar la ortografía, la puntuación y las mayúsculas en inglés en el iPhone 17 Pro, el iPhone Air y modelos posteriores. Pero es un compromiso, y una de las razones por las que la misma frase puede salir distinta en el teléfono y en el portátil; nuestro artículo sobre transcripción en el dispositivo frente a la nube cubre la parte de privacidad.

Si te parece que el dictado por voz va a peor, probablemente la tecnología no ha retrocedido; algo ha cambiado en tu cadena, como unos auriculares nuevos, un nuevo teclado predeterminado, una actualización del sistema o un paquete de idioma sin conexión. Vuelve a probar cerca del micrófono en una sala tranquila para ver si el problema sigue al audio o al software.

¿El dictado por voz es IA?

El dictado por voz es IA en el sentido del aprendizaje automático: los reconocedores de voz modernos son redes neuronales entrenadas con grandes cantidades de habla grabada emparejada con transcripciones, no conjuntos de reglas escritas a mano. Así que sí, cuenta. Whisper de OpenAI, descrito en un artículo de 2022 de Alec Radford y sus colegas, se entrenó con 680.000 horas de audio recopiladas de la web. Todos los motores de dictado convencionales se construyen hoy así.

Eso explica la mayor parte del comportamiento descrito arriba. El modelo predice las palabras más probables para lo que oyó, a partir de lo que aprendió, así que es fuerte con el habla común y más débil con nombres poco frecuentes y voces infrarrepresentadas. Puede equivocarse con total seguridad y, de vez en cuando, producir palabras que nadie dijo. Nuestra explicación del reconocimiento de voz profundiza en cómo funcionan los reconocedores.

Lo que no significa es que el dictado escriba por ti. El dictado por voz básico transcribe; no es IA generativa en el sentido de los chatbots. La frontera se está difuminando, porque muchas herramientas añaden un segundo paso que edita tus palabras con un modelo de lenguaje: Fluid dictation de Windows, Fix it del Pixel, el modelo de iOS 27 de Apple y Verbal Cleanup de Laxis hacen versiones de esto. Si una norma de tu centro educativo o de tu empresa restringe la «IA», pregunta si se refiere a la transcripción o a la reescritura, y luego comprueba qué funciones adicionales están activadas.

Cuándo basta con el dictado integrado

El dictado integrado basta para mensajes cortos, búsquedas y notas rápidas en una sala tranquila, y es gratis. Arregla primero el micrófono, la configuración de idioma y las pausas. Si lo que queda son sobre todo nombres, muletillas y frases que se alargan sin rumbo, una app de dictado con IA justifica lo que cuesta.

Laxis Voice Keyboard funciona en tus apps de escritorio y del teléfono, elimina muletillas y repeticiones, puntúa y usa tu Personal Dictionary para los nombres. Los límites: funciona solo en la nube, así que necesita conexión y tu audio sale del dispositivo; y en el plan gratuito, el dictado y las reuniones comparten un mismo fondo mensual de 300 minutos. La prueba de Premium de 14 días no requiere tarjeta de crédito, así que puedes ponerla a prueba con tus peores errores.

Preguntas frecuentes

¿Por qué el dictado por voz es tan malo en el iPhone?

El dictado por voz en el iPhone suele fallar por la distancia al micrófono, el ruido de fondo o nombres y jerga que nunca ha aprendido, más que por un defecto exclusivo del iPhone. Acerca el teléfono, dicta en frases completas y deletrea letra por letra los nombres difíciles. En el iPhone 12 y posteriores, en inglés de EE. UU., también puedes corregir por voz una palabra mal reconocida con «change».

¿Por qué el dictado por voz funciona cada vez peor?

Si el dictado por voz parece empeorar, suele ser porque algo cambió en tu configuración, no porque la tecnología haya retrocedido. Los culpables habituales son unos auriculares Bluetooth nuevos, otro micrófono predeterminado, una actualización del sistema operativo, una nueva app de teclado o un paquete de idioma sin conexión. Vuelve a probar con el micrófono cerca en una sala tranquila para ver si el problema sigue al audio o al software.

¿El dictado por voz es IA?

Sí. El dictado por voz moderno usa aprendizaje automático: una red neuronal entrenada con grandes cantidades de habla grabada y sus transcripciones correspondientes predice las palabras más probables para el sonido que oye. Whisper de OpenAI, por ejemplo, se entrenó con 680.000 horas de audio. El dictado simple transcribe en lugar de escribir, pero muchas herramientas añaden ahora un paso de IA que pule o reescribe el texto.

¿El reconocimiento de voz es IA generativa?

El reconocimiento de voz básico no es IA generativa en el sentido de los chatbots, porque transcribe lo que dijiste en lugar de crear contenido nuevo. La frontera se está difuminando: los reconocedores producen el texto palabra por palabra y a veces pueden insertar frases que nadie pronunció, y muchas herramientas de dictado añaden un modelo de lenguaje que reescribe tus palabras. Si una norma restringe la IA generativa, comprueba qué funciones están activadas.

¿Cómo puedo hacer que el dictado por voz sea más preciso?

Acerca el micrófono a la boca, reduce el ruido de fondo, habla en frases completas a ritmo normal y elige el idioma y la variante regional correctos. Después, enséñale tu vocabulario a la herramienta, con un diccionario personalizado si lo tiene. Estos pasos corrigen la mayoría de los errores; si los nombres y las muletillas siguen siendo el problema, prueba una app de dictado con IA especializada.

¿Por qué el dictado por voz se equivoca con los nombres?

El dictado por voz se equivoca con los nombres porque los reconocedores favorecen las palabras que vieron a menudo durante el entrenamiento, y la mayoría de los apellidos, marcas y siglas son poco frecuentes. Sin contexto, el motor los sustituye por la palabra común más parecida. Añadir el nombre a un diccionario personalizado lo soluciona en las herramientas que tienen uno; el dictado integrado casi nunca lo tiene, pero deletrear el nombre letra por letra funciona en el iPhone y en los Pixel más recientes.