Hugging Face suma acentos egipcio y nigeriano al ASR

Hugging Face suma dos acentos nuevos al Open ASR Leaderboard

Hugging Face anunció una colaboración con Liva AI para incorporar dos acentos nuevos al Open ASR Leaderboard: inglés egipcio e inglés nigeriano. Los dos conjuntos son datos privados, con 1,34 horas y 1,55 horas de audio conversacional espontáneo respectivamente, transcritos con puntuación, mayúsculas y disfluencias.

Para un founder que construye producto de voz, el dato importa por una razón concreta: los benchmarks públicos son el criterio con el que se eligen modelos, y buena parte de esos modelos se evalúa sobre acentos que no representan a los usuarios reales de LATAM, África o el sudeste asiático.

¿Qué es el Open ASR Leaderboard y por qué se usa para elegir modelos?

Es una de las tablas comparativas públicas de reconocimiento automático de voz (ASR) más seguidas de la industria. Mide con Word Error Rate (WER): el porcentaje de palabras que el modelo transcribe mal, donde menos es mejor.

¿Y esto cómo se aplica en tu negocio?

Dueños de negocio de Latinoamérica y España usan un agente de IA para ganar más y recuperar su tiempo. El Kit «tu mano derecha con IA» te muestra cómo en un video de 11 minutos, con una ficha para armar el tuyo. CAR está cerrada por ahora; al anotarte, te avisamos cuando abra.

👥 Quiero el Kit →

En julio de 2026, la empresa de inteligencia de voz Modulate reportó que la tabla comparaba 88 modelos sobre siete datasets públicos —AMI, Earnings-22, GigaSpeech, LibriSpeech Clean, LibriSpeech Other, SPGI Speech y VoxPopuli-AA-Cleaned—, según su comunicado. AMI, audio de reuniones reales con ruido, es considerada una de las pruebas más difíciles.

El problema estructural es este: si tu producto atiende a alguien que habla inglés con acento egipcio y el modelo nunca fue evaluado con ese acento, no tienes forma de saber si el WER que promete el proveedor aplica a tu caso.

¿Qué cambia con los datos privados y el «benchmaxxing»?

La incorporación de datos privados responde a un problema conocido: benchmaxxing, la práctica de optimizar modelos contra los conjuntos de evaluación públicos. Si un equipo sabe exactamente sobre qué audios se mide, puede ajustar el modelo a ese set y obtener un número que no se replica en producción.

Hugging Face ya había dado pasos en esa dirección: sumó 11 splits privados de Appen y DataOceanAI con habla guionizada y conversacional de cinco acentos, y después un split privado de inglés con acento indio junto a Voice Arena. Los de Liva AI son la tercera incorporación de este tipo.

El detalle técnico que vale la pena mirar: ambos sets son conversacionales y espontáneos, no guionizados. Eso se parece mucho más a una llamada de soporte, una nota de voz o una conversación con un agente de voz que a la lectura de un texto en un estudio.

¿Quién es Liva AI y por qué su modelo de datos es distinto?

Liva AI recolecta datos de interacción multimodal a través de productos de consumo usados por personas reales. Como controla tanto el entorno de recolección como la distribución, puede diseñar productos alrededor de huecos específicos de los modelos: por dominio, industria, idioma, modalidad y tipo de interacción.

La consecuencia práctica es que accede a comportamiento natural y con contexto, que emerge del uso real del producto en lugar de interacciones inducidas o basadas en tareas. Es la diferencia entre pedirle a alguien que lea un párrafo en voz alta y grabar cómo habla cuando de verdad quiere resolver algo.

¿Qué significa esto para tu startup?

1. Deja de elegir modelos de voz solo por el WER del leaderboard. El número global es un promedio. Si tu mercado es LATAM, España o comunidades diaspóricas, el acento de tus usuarios probablemente no está bien representado en los sets públicos. Antes de firmar con un proveedor, pide el WER desagregado por acento o corre tu propia evaluación con 50 a 100 audios reales de tu base de usuarios.

2. Trata tu set de evaluación como parte del producto. Si construyes sobre voz, tu set de prueba interno es un activo. Graba y etiqueta conversaciones reales —con disfluencias, interrupciones y ruido— y guárdalas como set de regresión. Cada vez que cambies de modelo o de versión, vuelve a medir. Es la única forma de detectar una degradación antes que tu usuario.

3. Presiona a tus proveedores por transparencia de datos. La pregunta útil no es «¿cuál es su WER?» sino «¿sobre qué acentos, dominios y condiciones de grabación se midió?». Un proveedor que no puede responder eso te está vendiendo un promedio.

4. Revisa el costo por hora antes de escalar. Según el comunicado de Modulate de julio de 2026, los precios de transcripción del mercado iban desde US$0,025 a 0,06 por hora en su caso hasta US$0,22 a 0,39 de ElevenLabs Scribe v2, US$0,21 a 0,45 de AssemblyAI Universal 3 Pro y US$0,31 a 0,55 de Deepgram Nova-3. En un producto con miles de horas de audio al mes, esa diferencia define si el unit economics cierra.

La representación de acentos deja de ser un detalle de diversidad

Hugging Face ahora reporta el desglose de acentos usando los Tres Círculos de Kachru, el marco que clasifica el inglés en círculo interno, externo y en expansión, una idea que reconocen haber tomado del leaderboard de Hume AI. Y anticipan que, a medida que se sumen más acentos, van a separar los círculos externo y en expansión.

Para el ecosistema hispanohablante la lectura es directa: la misma lógica aplica al español. Un modelo con excelente WER en español de España puede fallar con español rioplatense, caribeño o andino. La representación en los evals no es un tema de equidad abstracta: es la diferencia entre un agente de voz que funciona y uno que obliga a tu usuario a repetir tres veces la misma frase.

Conclusión

La noticia es técnica y chica —1,34 y 1,55 horas de audio—, pero la dirección es la que importa: los benchmarks de voz se mueven hacia datos privados, conversacionales y con más acentos. Para un founder, eso significa que el número que ves hoy en una tabla vale menos que la evaluación que puedas correr mañana con los audios de tus propios usuarios. Construye ese set interno antes de necesitarlo.