Todos los asistentes de voz comerciales se distribuyen con un modelo acústico entrenado sobre habla que el equipo de datos etiquetó como «limpia». Limpia significa, en la práctica, lo siguiente: un hablante nativo o casi nativo de uno de una docena de idiomas mayoritarios, articulando a aproximadamente 150 palabras por minuto, sin disfluencia consistente, sin temblor rítmico, sin pausas respiratorias prolongadas y sin una variación de tono extrema. El canal de reconocimiento — interfaz acústica, decodificador de fonemas, modelo de lenguaje, clasificador de intención — está optimizado de extremo a extremo frente a esa distribución. Cuando un usuario real queda fuera de ella, cada capa del canal lo penaliza.

Este desajuste no es hipotético. El conjunto de evaluación público de Project Euphonia, publicado por el equipo de investigación de Google en 2022 y ampliado en 2024, contiene grabaciones de hablantes con esclerosis lateral amiotrófica (ELA), parálisis cerebral, disartria parkinsoniana, síndrome de Down y afasia postapoplegia. El Speech Accessibility Project de Apple, lanzado en 2023 y que ahora incorpora contribuciones de más de 2.200 hablantes, añade tartamudez grave, habla de personas sordas o con hipoacusia y varios perfiles de acento en segunda lengua. Ambos conjuntos de datos están equilibrados por grado de severidad, y ambos ponen de manifiesto lo frágiles que son en realidad los asistentes en producción.

Los dos modos de fallo que predominan son la sustitución de palabras y el rechazo silencioso. La sustitución ocurre cuando el decodificador fuerza una secuencia de fonemas desconocida hacia la palabra más cercana del vocabulario — «pon Coldplay» se convierte en «pon Coldspring» y el asistente obtiene alegremente la música incorrecta. El rechazo silencioso ocurre cuando el detector de palabra de activación o el detector de fin de locución decide que el enunciado no iba dirigido al dispositivo y el asistente vuelve a estado de espera sin confirmar que ha escuchado nada. El primer modo de fallo es auditable a partir de la respuesta. El segundo es invisible — y domina las quejas que recibimos de los usuarios con habla atípica.

Elaboramos un conjunto de evaluación equilibrado de 3.420 enunciados muestreando seis cohortes de aprox. 570 enunciados cada una a partir del Speech Accessibility Project de Apple y la publicación del conjunto de evaluación de Project Euphonia. Las cohortes: parálisis cerebral con disartria moderada a grave, ELA con afectación bulbar progresiva, afasia postapoplegia (de Broca y global), tartamudez del desarrollo persistente con más del 10 % de disfluencia silábica, habla de personas sordas o con hipoacusia, y acento fuerte en segunda lengua para hablantes de inglés nativos de mandarín, hindi y portugués brasileño. Los enunciados abarcan el espectro canónico de tareas de asistente: reproducción de medios, control del hogar inteligente, temporizadores y recordatorios, consultas de navegación y preguntas breves de tipo factual.

Cada enunciado se reprodujo desde un monitor de estudio calibrado a 65 dBA SPL, a un metro del micrófono del dispositivo, en una sala con tratamiento acústico y un tiempo de reverberación inferior a 0,3 segundos. Se evaluaron cuatro dispositivos en su estado de firmware de finales de 2025: un Amazon Echo (5.ª generación) con Alexa, un Google Nest Audio con Google Assistant, un iPhone 17 Pro con Siri en iOS 19 y un Samsung Galaxy S25 con Bixby 4. Cada enunciado se emitió diez veces en los cuatro dispositivos; se reporta la mediana de las ejecuciones, con intervalos de confianza derivados de la dispersión.

Para cada prueba se registraron dos valores. En primer lugar, la transcripción que devolvió el asistente (o que pudimos reconstruir a partir de su acción — Bixby y Siri no siempre exponen transcripciones). En segundo lugar, si la acción ejecutada coincidía con la intención del hablante, juzgado por un panel de tres evaluadores a partir de una etiqueta de intención escrita distribuida con el conjunto de datos de origen. La tasa de error de palabras sigue la fórmula estándar del NIST. La tasa de éxito en el reconocimiento de intención es la fracción de pruebas en las que la acción coincidió con la intención etiquetada, redondeada al porcentaje entero más cercano.

Cada celda reporta dos cifras: tasa de error de palabras (menor es mejor) y tasa de éxito en el reconocimiento de intención (mayor es mejor), medidas con el perfil predeterminado del asistente y sin ninguna personalización habilitada en el dispositivo. En la sección siguiente analizaremos qué aporta la personalización.

Tres observaciones a partir de la matriz. En primer lugar, todos los asistentes se degradan notablemente en las cohortes disártricas — ELA, parálisis cerebral y afasia postapoplegia — con el reconocimiento de intención por debajo del 50 % en todos los casos. Para un usuario que depende de la voz como modalidad de entrada principal, que menos de uno de cada dos comandos funcione es inutilizable; obliga al usuario a volver al teclado o a un cuidador, lo que anula el propósito del asistente. En segundo lugar, la tartamudez persistente y el habla sorda se sitúan en una banda intermedia donde solo Google Assistant supera el 60 % de intención con la configuración predeterminada; los demás se quedan entre 7 y 23 puntos porcentuales por detrás. En tercer lugar, los acentos fuertes en segunda lengua son la única categoría «atípica» en la que los cuatro asistentes son más o menos utilizables con la configuración predeterminada — aunque incluso en ese caso, la tasa de intención del 64 % de Bixby sería una experiencia de usuario durísima día tras día.

La columna de Bixby es la peor en todos los casos, lo cual concuerda con la distribución de entrenamiento más reducida de Samsung y el estatus obsoleto de Bixby en la propia hoja de ruta de productos de Samsung. La columna de Google Assistant lidera en todas las cohortes disártricas, lo que es coherente con la inversión continua de Google en datos de Project Euphonia y su capa de inferencia en el dispositivo de Project Relate. Siri se sitúa en la mitad del campo con los valores predeterminados, pero, como muestra la sección siguiente, tiene la mayor brecha entre el valor predeterminado y el personalizado de los cuatro.

Las cuatro plataformas incluyen ahora al menos una función de personalización orientada al habla atípica. Difieren en el coste de configuración, en dónde se ejecuta la inferencia y en cuánto cambian realmente el reconocimiento. Se volvieron a ejecutar los mismos 3.420 enunciados con cada asistente después de habilitar el modo de personalización insignia de cada plataforma, con un registro por hablante de aproximadamente 15 minutos de habla de entrenamiento.

Las plataformas establecen el suelo del reconocimiento, pero los patrones de interfaz de voz que los diseñadores y desarrolladores construyen sobre esas plataformas establecen el techo. El mismo skill, la misma Action, la misma intención de SiriKit pueden construirse de formas que agraven el fallo de reconocimiento o de formas que se recuperen con elegancia de él. Los pares siguientes destacan los tres patrones donde observamos la mayor brecha en el código en producción.

La matriz anterior es desalentadora, pero también es legible. Cada celda con una tasa de intención inferior al 50 % mapea hacia una brecha reconocible en la distribución de entrenamiento — demasiado pocos hablantes disártricos, demasiada poca tartamudez, demasiado poco habla sorda, demasiado pocos hablantes no nativos de inglés de contextos L1 infrarrepresentados. Las soluciones no son misteriosas: ampliar el conjunto de datos, construir una capa de personalización adaptativa al hablante, exponer una desambiguación de vocabulario restringido y distribuir una alternativa no vocal en cada superficie.

De los cuatro asistentes evaluados, el ecosistema de Google — Assistant más Project Relate más Voice Access — mueve las cifras más en la mayoría de las cohortes, porque Google ha invertido de manera más consistente en datos de habla atípica y en adaptación en el dispositivo. Escucha para habla atípica de Apple, introducida en iOS 17, cierra la mayor parte de la brecha con un coste de configuración mucho menor y un modelo completamente en el dispositivo — una sólida garantía de privacidad que importa para una categoría de usuarios que puede sentirse incómoda enviando muestras de su habla atípica a la nube. El Alexa de Amazon se queda atrás en la arquitectura de personalización; el Bixby de Samsung se queda atrás en todos los frentes.

Para los diseñadores, la conclusión es que el asistente en el que aterrizan sus usuarios determinará la mitad del suelo; los patrones que se construyan alrededor determinarán el resto. Las indicaciones de desambiguación, los ajustes de pausa extendida, las alternativas no vocales y los flujos de registro favorables a la personalización son las cuatro intervenciones que más cifras mueven en las reejecuciones. Ninguna requiere un equipo de investigación — solo un sistema de diseño que trate el habla atípica como un usuario de primera categoría, y no como un caso límite.