Datos de tolerancia cero: no los deje solo a la voz

UX de vozAnálisis posincidenteASR
Actualizado 2026-09-07

Si un paso de su producto no tolera ni un solo carácter erróneo, no haga que la voz sea la única vía para completarlo. Esa es toda la lección, y aprenderla nos costó la relación con un cliente.

Qué estábamos construyendo

Un cliente quería un dispositivo de voz para una escuela. El flujo central era sencillo. Un estudiante dice su ID de estudiante al dispositivo, el sistema recupera los registros de aprendizaje de ese estudiante y los comentarios del profesor, y se los lee en voz alta. Sin pantalla, sin app, sin inicio de sesión. Uno se acerca y habla.

La lógica era limpia y la experiencia sonaba muy bien en una sala de reuniones. Falló en el primer paso.

Reconocer la intención y reconocer dígitos son problemas distintos

El reconocimiento de voz (speech recognition) es muy bueno para deducir lo que alguien quiso decir. Es sensiblemente peor para capturar una secuencia exacta de dígitos, y aquí el ID de estudiante tenía ocho. Con un solo dígito equivocado no existe ningún registro que coincida y el flujo se detiene en seco. No hay puntuación parcial.

En las pruebas aparecieron tres modos de fallo, y se acumularon.

Acentos y casi homófonos

En mandarín, 三 (tres) y 四 (cuatro) se confunden con facilidad, igual que 一 (uno) y 七 (siete). Los acentos regionales amplían la brecha. El inglés tiene el mismo tipo de problema con fifteen y fifty, o con M y N en un canal deficiente. Todos los idiomas tienen pares así, y una cadena de ID es justo donde más duelen.

Red débil

Con una conexión lenta, el viaje de ida y vuelta del reconocimiento se alarga. El usuario espera y, cuando por fin llega la respuesta, sigue siendo incorrecta. La latencia no solo molesta: elimina la sensación de que volver a intentarlo servirá de algo.

Cómo hablan realmente los niños

Los niños no vocalizan a demanda, y la distancia entre la boca y el micrófono cambia constantemente porque se mueven. Una precisión que parecía aceptable en una prueba silenciosa con adultos cae de forma notable en la sala real.

Sin pantalla, un paso defectuoso se convirtió en callejón sin salida

En un teléfono o una tableta, un error de reconocimiento tiene remedio. El usuario ve 38472619 en pantalla, nota que el 7 debería ser un 1 y lo corrige. En un dispositivo sin pantalla, el usuario nunca llega a saber qué entendió la máquina. Lo único que recibe es "no se encontró ningún registro". Así que lo repite, vuelve a fallar, y no hay ningún camino que lleve del fallo al éxito.

Conviene decirlo sin rodeos, porque es fácil pasarlo por alto durante la especificación. Quitar la pantalla no solo quita la visualización. Quita el bucle de corrección.

Qué cambiamos

Ahora el ID de estudiante se vincula a una cuenta durante el registro en un teléfono. En el dispositivo, la voz se encarga de confirmar la identidad y de la conversación ordinaria, y nunca tiene que transportar una cadena exacta de dígitos. La voz hace lo que sabe hacer: entrada difusa y tolerante a errores, donde estar aproximadamente en lo cierto sigue siendo útil.

Lo reconstruimos y volvimos con el cliente. El retraso fue nuestro y su frustración era razonable, y no hay mucho que decir en nuestra defensa más allá de corregir el diseño.

La pregunta que hacemos ahora

En este paso, si el modelo se equivoca, ¿se dará cuenta el usuario y podrá corregirlo?

Si la respuesta es sí, la voz está bien. Si es no, no ponga ese paso detrás de la voz en absoluto. Vincúlelo antes, trasládelo a otro canal o añada una confirmación sobre la que el usuario pueda actuar de verdad.

"Una IA puede hacer esto" y "una IA puede hacer esto de forma fiable en esta situación concreta" son afirmaciones distintas. Mantenerlas separadas es la disciplina más básica del hardware de voz, y suele ser más barato aplicarla en la fase de especificación que después de fabricar los moldes.

Relacionado

• Tarjeta grabadora con IA: protocolo Bluetooth abierto, su propia pila de transcripción
• Compañero de aprendizaje con IA 4G: base de conocimiento escolar y panel para padres