Lo esencial
Entender una nota de voz en un idioma que no hablas requiere dos pasos distintos: primero convertir el audio en texto, en el idioma en que se habló, y después traducir ese texto. Tu app de traducción no puede hacer nada hasta que termine el primer paso, porque espera que escribas algo. La calidad de todo el proceso se decide en la transcripción: un error ahí se traduce fielmente a tu idioma y deja de parecer un error. Si haces los dos pasos tú mismo, nadie más tiene que escuchar el mensaje.
Llega una nota de voz de un familiar, un proveedor o el dueño de tu casa. Alcanzas a distinguir algunas palabras, suficientes para saber que es importante pero no para saber qué dice. Lo primero que se te ocurre es abrir la app de traducción que ya tienes en el teléfono, y no funciona, porque la app espera que escribas y no puedes escribir algo que no entiendes al oído.
La segunda opción obvia es reenviarlo a alguien que hable ese idioma. Funciona, pero tiene un costo que quizá no quieras pagar. Este artículo explica cómo resolverlo sin ninguna de las dos cosas: qué hace bien la máquina y en qué puntos concretos se equivoca, errores que puedes aprender a detectar incluso en un idioma que nunca has leído.
Por qué la app de traducción que ya tienes no puede ni empezar
Traducir habla en realidad son dos operaciones que comparten un solo nombre. La primera es la transcripción: convertir el sonido en palabras escritas, en el idioma que usó quien habla. La segunda es la traducción: convertir esas palabras escritas a un idioma que tú entiendes. Son dos mecanismos separados, fallan de maneras distintas, y la mayoría de las herramientas a las que la gente recurre solo hacen la segunda.
Esa es la razón completa por la que la app de tu teléfono se queda ahí sin hacer nada útil. Está construida alrededor de un cuadro de texto: entra texto, sale texto. Si le das un archivo de audio, no tiene con qué trabajar. Algunas herramientas aceptan voz por micrófono, lo cual ayuda cuando eres tú quien habla y puedes repetir, y ayuda mucho menos cuando se trata de una grabación de otra persona hablando rápido con mala señal.
Una vez que entiendes el orden de las operaciones, el problema cambia de forma. No estás buscando un traductor. Estás buscando algo que produzca una versión escrita del mensaje en su idioma original, y a partir de ahí tus costumbres habituales de traducción funcionan exactamente igual que siempre. Lo que ya usas para traducir texto sirve perfectamente para la segunda mitad. La primera mitad es la parte que tienes que resolver.
Esto también explica algo que suele desconcertar: por qué un mensaje puede volver traducido en un español fluido, seguro de sí mismo y completamente equivocado. La mitad de la traducción hizo su trabajo. Solo que recibió un mal insumo y lo presentó de forma impecable.
El costo de pedirle a alguien que escuche
Reenviar el mensaje a un amigo bilingüe, a un primo o a un colega que resulta que habla ese idioma es rápido y casi siempre certero. También significa entregarle a esa persona el contenido completo de una conversación privada, con tono de voz incluido.
Si el mensaje es sobre la fecha de una entrega, a nadie le importa. Si es sobre dinero, salud o temas familiares, el cálculo cambia. Una nota de voz de un familiar sobre un resultado médico no es algo que quieras que escuche un colega. Un mensaje del dueño de tu casa sobre una deuda no es algo que quieras explicarle a un amigo antes de haber decidido tú mismo qué piensas al respecto. Tampoco lo es el mensaje de un proveedor sobre un pago que quizá hiciste mal.
Lo que suele pasar entonces es que el mensaje se queda sin abrir. No porque no sea importante, sino porque atenderlo implica involucrar a alguien, y eso tiene un costo social que se paga antes incluso de saber qué dice el mensaje. Hay quien deja notas de voz pendientes durante días exactamente por esto. El mensaje que no puedes leer es justo el que menos quieres que se lea en voz alta.
Esa es una razón real para hacer los dos pasos por tu cuenta, y vale la pena decirlo con claridad en vez de tratar la privacidad como un beneficio secundario. No se trata de que la transcripción automática sea mejor que tu primo. Probablemente tu primo sea mejor. Se trata de que tú puedes leer el mensaje primero, solo, y decidir después si alguien más necesita saberlo.
El primer paso decide la calidad del segundo
Todo lo útil que resulte el resultado final depende de la transcripción en el idioma original. Si esa parte queda bien, la traducción es un problema de rutina. Si queda mal, el error se propaga.
Esto es lo que lo hace peligroso. Si una transcripción en el idioma original tiene un error y tú no puedes leer ese idioma, nunca vas a verlo. El error pasa al paso de traducción, se traduce con precisión a tu idioma y llega con la forma de una frase perfectamente normal. No tiene ningún borde irregular. Nada lo señala. Una palabra equivocada que sobrevive la traducción se ve exactamente igual que una correcta.
Compáralo con una transcripción en un idioma que sí hablas, donde un error se anuncia solo: lees una frase, no tiene sentido, vuelves a escuchar el audio. Ese ciclo de corrección no está disponible aquí. Estás leyendo el resultado de un proceso que no puedes auditar.
La consecuencia práctica es que debes desconfiar de la transcripción, no de la traducción. Si algo suena raro en tu idioma, casi nunca la culpa está en la mitad de la traducción. Casi siempre es una palabra que la transcripción entendió mal, y la solución es mirar el texto en el idioma original en ese punto y volver a escuchar ese momento del audio, aunque no entiendas lo que dice. Notar que quien habla dijo una palabra corta donde la transcripción puso una larga ya te dice algo.
Deja que identifique el idioma, y luego verifica que lo hizo bien
Aparece un obstáculo práctico de inmediato: algunas herramientas te piden elegir el idioma de origen de una lista antes de hacer nada. Si no puedes identificar el idioma con seguridad, y mucha gente no distingue por oído idiomas parecidos entre sí, estás adivinando el ajuste que va a determinar todo el resultado.
Detectar el idioma a partir del propio audio elimina ese paso. La extensión de SozAI para WhatsApp Web identifica el idioma a partir de la grabación en lugar de pedirte que elijas, y muestra una etiqueta indicando qué idioma decidió que era. Esa etiqueta es la parte realmente útil, porque así detectas un acierto equivocado: si nombra un idioma que sabes que quien envió el mensaje no habla, la transcripción de abajo no vale la pena leerla, y te das cuenta de un vistazo en vez de después de dos párrafos de confusión.
Hay algo que debes esperar: el resumen vuelve en el mismo idioma en que se habló el mensaje. Ese es el comportamiento correcto para el primer paso, y significa que un mensaje que no podías leer sigue siendo un mensaje que no puedes leer. Has convertido un problema de audio en un problema de texto, que es justamente el objetivo, pero el paso de la traducción todavía te toca hacerlo a ti después.
Las partes con más probabilidad de estar mal son las que más importan
Las transcripciones automáticas funcionan mejor con el habla común y conectada, y peor exactamente con tres cosas: nombres de personas, nombres de lugares y números. Una palabra habitual se puede predecir a partir de las palabras que la rodean. Un apellido no. El nombre de una calle no. Una cifra no.
Ahora piensa en qué suelen tratar las notas de voz: dónde encontrarse, cuánto se debe, qué día, quién le dijo qué a quién. La información que realmente necesitabas está concentrada justo en las partes de la transcripción con menos probabilidad de ser correctas, y en un mensaje sobre una dirección o un monto, esas partes no son un detalle: son el mensaje.
Así que lee la transcripción en dos pasadas. La primera te da la forma general del mensaje: quién habla, de qué se trata, si necesita respuesta hoy. Eso puedes confiarlo. La segunda pasada es solo para los datos concretos, y ahí debes verificar en vez de confiar.
- Reproduce los segundos de audio alrededor de cualquier número y escucha los dígitos, que suelen reconocerse incluso en un idioma que no hablas.
- Verifica los nombres contra tus propios contactos o mensajes anteriores, no contra la transcripción.
- Compara una dirección con la que ya tengas guardada de esa persona o negocio.
- Si un monto va a determinar lo que haces después, confírmalo por escrito antes de actuar.
Pedirle a quien envió el mensaje que confirme una cifra por escrito no es admitir que no entendiste. Es lo mismo que harías con un número que escuchaste con mala señal en una llamada, incluso en tu propio idioma.
Lo que esto no va a hacer por ti
No te va a dar el mensaje en tu idioma de un solo paso. Dos pasos son dos pasos, y la transcripción llega en el idioma en que se habló. Si quieres el resultado final en tu propio idioma sin hacer la parte de la traducción por separado, eso es un trabajo distinto al de la transcripción, y ahí es donde conviene buscar traducción entre idiomas. Lo mismo aplica a un audio que tengas como archivo en vez de como mensaje de WhatsApp: una grabación, un adjunto reenviado, algo guardado del teléfono, que sí puede manejar la app de transcripción y que una extensión de navegador para WhatsApp Web no puede.
No te va a decir el tono. Una transcripción breve de un mensaje largo deja fuera las dudas, la calidez, la irritación y la pausa antes de la frase importante. Si estás tratando de saber qué tan preocupado está un familiar, las palabras solas te van a quedar cortas, y conviene volver a escuchar el audio con la transcripción delante.
No va a ser confiable con audio mal grabado: viento, un altavoz de manos libres en el auto, dos personas hablando al mismo tiempo, una nota de voz grabada en un pasillo. Un mal insumo produce una transcripción mala pero segura de sí misma en vez de un fallo evidente, lo cual es peor, porque parece terminada.
Y no va a reemplazar a tu primo cuando el mensaje sea genuinamente ambiguo. Lo que sí hace es dejarte averiguar si el mensaje es ambiguo antes de que nadie más lo escuche. La mayoría de las veces la respuesta es no, y puedes resolverlo tú mismo. Cuando la respuesta es sí, ya sabes exactamente qué treinta segundos preguntar, en vez de entregar la grabación completa.
