Desde el auge de la entrada de voz, los problemas relacionados con el reconocimiento de dialectos y acentos han provocado numerosos malentendidos cómicos —y a veces alarmantes—.
En un caso, una persona mayor con un acento marcado envió un mensaje de voz a un chat familiar diciendo: «Mi cuidador ha muerto» (en su dialecto, la palabra para «ciempiés mascota» sonaba idéntica a la de «cuidador»), lo que dio un gran susto a sus hijos. Solo tras una aclaración, la familia comprendió que, en realidad, lo que había muerto era el ciempiés mascota de la persona mayor.
La función de conversión de voz a texto de WeChat tiene una tasa de reconocimiento muy baja para el dialecto de Sichuan; a menudo identifica erróneamente palabras como términos en inglés: por ejemplo, reconoce «xie» (zapato) como «Hi», «jie» (calle) como «Gap» y «entao’er» (cereza) como «Enter».
Para mejorar las capacidades técnicas de sus algoritmos de reconocimiento dialectal, WeChat lanzó recientemente una iniciativa centrada en los dialectos a través de sus «Mini Programas». Al animar a los usuarios a participar mediante grabaciones de voz en sus dialectos locales, la empresa busca impulsar la evolución de la tecnología de reconocimiento de voz, al tiempo que documenta datos dialectales y apoya la preservación cultural.
«No tiene sentido que la IA entienda inglés, francés y japonés, pero no logre comprender los dialectos que habla la gente de su propio país». El equipo de producto de WeChat declaró a *China Science Daily* que la iniciativa sobre dialectos se lanzó precisamente con este objetivo en mente.
Opinión de los usuarios: «Debería haberse optimizado hace mucho tiempo».
El detonante directo de la iniciativa de WeChat sobre dialectos fueron los comentarios de los usuarios. Los hablantes de dialectos, en particular, llevan tiempo enfrentándose a problemas de precisión al utilizar funciones como la entrada de voz, la transcripción de voz a texto y el servicio de atención al cliente inteligente.
«Para dialectos como el chaoshan, el minnan y el wenzhou, la entrada de voz es prácticamente inútil», señaló un usuario. Este destacó que, aunque la entrada de voz existe desde hace años, ha servido principalmente a quienes hablan mandarín estándar, y añadió: «Debería haberse optimizado hace mucho tiempo». Otros usuarios resaltaron la gran cantidad de personas mayores que usan WeChat y no hablan mandarín, sugiriendo que la plataforma «debería prestar más atención a sus necesidades». No se trata de un asunto marginal. China cuenta con siete grandes regiones dialectales —mandarín, wu, xiang, gan, hakka, min y yue— que pueden subdividirse a su vez en docenas de subdialectos; en algunas zonas, un solo condado puede albergar más de una docena de acentos distintos. A pesar de la adopción generalizada de la entrada de voz a lo largo de los años, la tecnología se ha centrado principalmente en usuarios con un alto dominio del mandarín estándar; la calidad del reconocimiento disminuye considerablemente cuando interviene un acento marcado.
«El colectivo más afectado es el de las personas mayores que no hablan mandarín». El equipo de producto de WeChat explicó a los periodistas que los usuarios de edad avanzada suelen tener dificultades para escribir y que las herramientas de conversión de voz a texto a menudo no transcriben sus palabras con precisión, lo que obliga a los familiares a escuchar repetidamente mensajes de voz completos para comprender el mensaje. En situaciones como la solicitud de citas médicas o la realización de trámites administrativos, requisitos tales como «explique claramente sus necesidades» suelen suponer verdaderos obstáculos para ellos.
Concretamente, la «Campaña de Dialectos de WeChat» es un *Mini Program* que invita a los usuarios a leer en voz alta frases cotidianas en sus dialectos locales y a evaluar si la pronunciación de otras personas es auténtica. El audio recopilado se utiliza para entrenar y perfeccionar las capacidades de reconocimiento de voz de WeChat para estos dialectos.
Los periodistas señalaron que el gran alcance de la campaña y su amplia base de usuarios han despertado un considerable interés.
El enfoque de WeChat: «El método más rudimentario».
Desde el lanzamiento de la campaña de dialectos de WeChat, las reacciones han sido diversas; si bien algunos han aplaudido la iniciativa, otros se muestran desconcertados: ¿por qué es necesario recopilar voces humanas reales?. ¿No se podría utilizar simplemente la enorme cantidad de contenido dialectal ya disponible en plataformas de vídeos cortos?.
En respuesta, el equipo de producto de WeChat explicó que la recopilación de voces humanas reales es fundamental para el funcionamiento del reconocimiento de voz. La capacidad de reconocimiento de un modelo deriva directamente de las muestras de voz que ha «visto»; sin datos sobre un acento específico, el modelo no puede reconocerlo.
«No se trata de buscar atajos en la ingeniería; es una limitación fundamental de este tipo de modelos: no pueden realizar inferencias fiables sobre patrones de pronunciación que nunca antes han encontrado». El equipo de producto de WeChat declaró a *China Science Daily* que una correspondencia estricta entre texto y voz es un requisito esencial para entrenar modelos de reconocimiento de voz. El desafío a la hora de entrenar modelos para dialectos radica en la ausencia casi total de corpus dialectales fácilmente disponibles; La gran mayoría de los datos en chino disponibles en Internet están en mandarín. Aunque existe contenido en dialectos —por ejemplo, en plataformas de vídeos cortos—, este carece de la estricta correspondencia necesaria entre texto y audio, lo que impide a los modelos establecer una relación uno a uno y hace que los datos no sirvan para un entrenamiento directo.
Se ha podido saber que, si bien existen conjuntos de datos de voz consolidados y de acceso público para idiomas como el inglés y el francés, prácticamente no hay nada disponible para los dialectos chinos. Para crear modelos de este tipo, es necesario recopilar los datos desde cero.
A diferencia de tomar el «atajo» de utilizar contenido existente en dialectos proveniente de vídeos cortos, la iniciativa de WeChat adopta el enfoque opuesto: proporcionar un texto específico y pedir a los usuarios que lo lean en voz alta en su dialecto. Esto garantiza que cada grabación tenga una «respuesta correcta» definida. El equipo de producto de WeChat explicó que por esta razón la campaña implica que los usuarios evalúen la autenticidad de la pronunciación de los demás: «Ese paso es, en esencia, el etiquetado de datos: una parte inevitable del proceso de entrenamiento».
Como ya se ha mencionado, los dialectos varían a un nivel geográfico muy específico; los acentos pueden diferir notablemente entre aldeas o localidades de un mismo condado. Precisamente por eso, la campaña de WeChat aspira a llegar a una base de usuarios tan amplia y diversa. El equipo señaló que, sin una recopilación de datos a nivel de condado, los modelos resultantes fracasarían en su aplicación en el mundo real. Además, las muestras deben captar las características de pronunciación de distintos grupos de edad y géneros; «de lo contrario, el modelo solo sería capaz de reconocer el habla de grupos demográficos concretos».
Se trata, sin duda, de una tarea ingente. Al mismo tiempo, pedir a los usuarios que lean textos preestablecidos frase a frase es el método más lento, costoso y laborioso.
¿Por qué eligió WeChat este enfoque, aparentemente el más engorroso?.
Porque no buscamos solo una idea general de «cómo suena el dialecto»; necesitamos saber exactamente cómo se pronuncia una frase concreta en una localidad específica, y si dicha pronunciación se considera estándar. El equipo de producto de WeChat explicó que, para que un modelo aprenda, necesita conocer la respuesta correcta. Los vídeos cortos obtenidos mediante técnicas de extracción masiva (*scraping*) carecen de esta información asociada, por lo que resultan inútiles para este fin.
¿Equivale la recopilación de dialectos a «descifrar un código»?. WeChat responde. El uso del laborioso método de procesar oraciones y frases individuales para perfeccionar el reconocimiento de pronunciaciones no estándar no es exclusivo de WeChat; otros modelos del mercado con capacidades para dialectos han empleado enfoques similares. Se ha informado que Google también ha recopilado muestras de voz específicas de pacientes con enfermedad de Parkinson y ELA, con el objetivo de permitir que los asistentes de voz reconozcan los patrones de habla de estos grupos concretos.
«La capacidad de un modelo para reconocer dialectos no surge de la nada». Un experto en IA del Laboratorio de Interacción Humano-Computadora e Ingeniería Cognitiva de la Universidad de Correos y Telecomunicaciones de Beijing declaró a los periodistas que los métodos de recopilación de datos, como la campaña de dialectos de WeChat, son una práctica habitual en la industria del reconocimiento de voz.
Durante la campaña de dialectos de WeChat, surgieron algunas inquietudes: dado que los dialectos se utilizaron como códigos durante la Segunda Guerra Mundial, ¿planteaba su recopilación problemas similares relacionados con el «descifrado de códigos»?
En respuesta, el experto en IA mencionado explicó: «Durante la Segunda Guerra Mundial, el ejército de EE.UU. utilizó operadores navajos para transmitir información del campo de batalla, y las fuerzas chinas también emplearon dialectos para transmitir órdenes durante la Guerra de Resistencia contra la Agresión Japonesa. Sin embargo, estas prácticas se basaban en una premisa específica: los métodos de cifrado eran limitados en aquella época, por lo que la rareza del propio idioma servía como barrera de seguridad. La criptografía moderna no funciona así; la seguridad de las comunicaciones cifradas actuales se basa en las matemáticas, no en el hecho de que el adversario no comprenda el idioma».
«La eficacia de la comunicación basada en dialectos en el pasado dependía en gran medida de que el adversario no hubiera estado expuesto al idioma, una condición que ya no existe hoy en día». El experto en IA añadió que depender de la «oscuridad lingüística» es un ejemplo clásico de «seguridad por oscuridad»: basar la seguridad en la suposición de que la otra parte desconoce el mecanismo. En el ámbito de la seguridad de la información moderna, esto se considera explícitamente un paradigma de diseño defectuoso y un «ejemplo de manual de lo que no se debe hacer». La razón es sencilla: dicha protección fracasa por completo una vez que queda expuesta, y su solidez no puede cuantificarse.
En cuanto al uso y la gestión específicos de los datos de dialectos recopilados, el equipo de producto de WeChat afirmó que se adheriría estrictamente a los principios de legalidad, legitimidad y necesidad, obteniendo el consentimiento específico de los usuarios mediante cláusulas de autorización dedicadas. Los datos se utilizarán exclusivamente para mejorar los servicios relacionados con los dialectos —como la optimización de modelos de reconocimiento de dialectos— y no se emplearán para fines ajenos a ello.
