Por qué los asistentes de voz entienden peor con ruido.

Tres cosas que lo complican

• El ruido. Una cafetera, el tráfico o la música tapan parte de los sonidos que distinguen una palabra de otra, sobre todo las consonantes suaves.
• La distancia. Tu voz pierde fuerza rápido con la distancia, mientras la habitación conserva su eco y sus otros ruidos. Un micrófono al otro lado de la habitación oye más habitación y menos a ti.
• Otras voces. Cuando varias personas hablan a la vez, el sistema tiene que averiguar quién dijo qué, y la frase de alguien de al lado puede acabar en tu petición.

Lo que midió la investigación

La distancia, en reuniones. El estudio de OpenAI sobre reconocimiento de voz robusto probó sus modelos con el corpus AMI de reuniones grabadas. El modelo más grande cometía unos 17 errores por cada 100 palabras con micrófonos que llevaban los participantes y unos 36 con un solo micrófono lejano. En los diez tamaños de modelo, el micrófono lejano duplicaba más o menos los errores.

El ruido. El mismo estudio mezcló ruido blanco y el murmullo de un bar lleno con voz leída y limpia. Todos los modelos empeoraban rápido a medida que subía el ruido. Los modelos entrenados sobre todo con audiolibros limpios lo hacían mejor que el de OpenAI con poco ruido, pero peor en cuanto el ruido del bar se acercaba al nivel de la voz. El modelo de OpenAI se había entrenado con una variedad muy amplia de grabaciones reales, de muchos entornos, equipos, hablantes e idiomas.

Cenas. El reto CHiME-6 grabó veinte cenas de cuatro amigos cada una, en veinte viviendas reales, con conjuntos de micrófonos en las habitaciones y los ruidos normales de cocinas y aire acondicionado. Incluso cuando los sistemas sabían dónde empezaba y terminaba cada intervención, los sistemas de referencia de 2020 fallaban en cerca de la mitad de las palabras; cuando además tenían que averiguar quién hablaba, en entre tres cuartas y cuatro quintas partes. Eran sistemas de investigación, no asistentes comerciales, y se trataba de conversación relajada y no de órdenes, pero muestran lo lejos que está el problema de resolverse.

Los idiomas. En el mismo estudio, la tasa de error de un idioma bajaba de forma constante con la cantidad de grabaciones de entrenamiento en ese idioma, y la mayoría de los idiomas tenía menos de mil horas.

Lo que ayuda

• Un micrófono cerca de la boca. La mejora más barata que hay: cuanto más cerca está el micrófono, más te oye a ti y menos a la habitación.
• Decirle al dispositivo cuándo hablas. Un botón que mantienes pulsado mientras hablas marca exactamente el principio y el final de la petición, sin que tenga que adivinarlos entre el ruido: mantener pulsado para hablar frente a la palabra de activación (en inglés).
• Preguntar de nuevo en vez de adivinar. Cuando un asistente no tiene claro lo que ha oído, un breve «¿cómo?» cuesta menos que hacer lo que no era; lo que envía, paga o borra debería preguntar antes de todos modos.
• Modelos entrenados con grabaciones reales, con ruido, distancia, acentos y voces que murmuran, no solo con grabaciones limpias.

En un anillo

Un anillo tiene un micrófono pequeño y se usa justo en los sitios de los que trata esta guía: la calle, los bares, las cocinas. También tiene una ventaja: levantas la mano hacia la boca y mantienes pulsado un botón mientras hablas, así que el micrófono está cerca y sabe cuándo hablas. Entender la voz con ruido es lo primero en lo que trabajamos para Lychnos Ring, antes que todo lo demás, porque un asistente que oye mal te hace perder tiempo y gasta su batería: el anillo con IA.

Fuentes, consultadas el 5 de noviembre de 2026: Radford y colaboradores, robust speech recognition via large-scale weak supervision, arXiv, 2022; Watanabe y colaboradores, CHiME-6 challenge: tackling multispeaker speech recognition for unsegmented recordings, arXiv, 2020.