Presentamos VoicePing ASR Model V0.1, un modelo multilingüe de voz a texto para inglés, japonés, coreano, chino y vietnamita.
Presentamos VoicePing ASR Model V0.1
Hoy presentamos VoicePing ASR Model V0.1, nuestro modelo multilingüe de voz a texto para los idiomas que aparecen con más frecuencia en VoicePing: inglés, japonés, coreano, chino y vietnamita.
VoicePing está construido en torno a la comunicación hablada multilingüe: reuniones, eventos, traducción de voz, transcripciones, resúmenes y búsqueda. En esos flujos de trabajo, el reconocimiento automático del habla (ASR, por sus siglas en inglés) no es una función aislada. Es la primera capa de toda la experiencia del producto. Si la transcripción es inestable, cada paso posterior pierde utilidad.
VoicePing ASR Model V0.1 está diseñado para esa realidad. Se centra en los cinco idiomas principales que más atendemos, con el objetivo de producir transcripciones más limpias para conversaciones reales.
Un solo modelo para el trabajo multilingüe
El reconocimiento de voz de propósito general ha mejorado rápidamente, pero el audio multilingüe real sigue presentando aspectos difíciles:
- El japonés, el coreano y el chino requieren un tratamiento del texto adaptado a cada idioma.
- El vietnamita depende de marcas tonales precisas y de los límites correctos entre palabras.
- Los clips largos o con ruido pueden provocar transcripciones parciales, salidas vacías y texto repetido.
- Los modelos en la nube pueden comportarse de forma distinta según el idioma, aunque la API parezca uniforme.
- Un sistema que rinde bien en un benchmark público no siempre es el más adecuado para reuniones, eventos y traducción de voz.
VoicePing ASR Model V0.1 es nuestro primer modelo consolidado construido en torno a esta superficie de producto de cinco idiomas. El benchmark que sigue plantea una pregunta práctica: ¿qué tan bien transcribe el habla que realmente les importa a nuestros usuarios?
Qué hace
VoicePing ASR Model V0.1 transcribe voz en:
- Inglés
- Japonés
- Coreano
- Chino
- Vietnamita
El resultado es la transcripción que alimenta funciones posteriores de VoicePing, como la traducción, los subtítulos, las notas de reunión y el historial de conversaciones con búsqueda.
Este artículo usa ASR y STT (voz a texto, por sus siglas en inglés) de forma intercambiable. Ambos significan transcripción de voz a texto.
Evaluaciones
Conjunto de datos
La evaluación utiliza un conjunto de voz multilingüe de VoicePing con 1,000 clips por idioma, unas 41 horas de audio en total. Los clips reflejan el tipo de habla que VoicePing maneja en la práctica: conversaciones reales, no grabaciones limpias de lectura en voz alta.
| Idioma | Clips |
|---|---|
| Inglés | 1,000 |
| Japonés | 1,000 |
| Vietnamita | 1,000 |
| Coreano | 1,000 |
| Chino | 1,000 |
| Total | 5,000 |
Todos los sistemas se prueban con el mismo conjunto de audio.
Modelos comparados
Comparamos VoicePing ASR Model V0.1 con sistemas de voz en la nube ampliamente utilizados y con modelos abiertos de ASR, incluidos Google Cloud STT, Azure AI Speech, los modelos de transcripción de OpenAI, ElevenLabs Scribe v2, Deepgram Nova-3, Qwen3-ASR y SenseVoiceSmall.
Puntuación
La métrica principal es la tasa de error de palabras (WER, por sus siglas en inglés): cuanto más baja, mejor. La WER mide cuántas palabras se insertan, se eliminan o se sustituyen en comparación con la transcripción humana de referencia.
Latencia
La precisión no es el único requisito para un ASR en producción. También medimos cuánto tarda cada sistema en devolver una transcripción, porque un modelo preciso pero lento puede seguir ofreciendo una mala experiencia en reuniones y eventos en vivo.
Resultados principales
El siguiente gráfico compara la tasa de error de palabras promedio en los cinco idiomas para VoicePing ASR Model V0.1 y los sistemas externos de voz a texto de este benchmark. Las barras más bajas son mejores. Los gráficos por idioma aparecen más adelante, en la sección de resultados.
Precisión por idioma
| Sistema | WER EN | WER JA | WER VI | WER KO | WER ZH | WER macro |
|---|---|---|---|---|---|---|
| VoicePing ASR Model V0.1 | 20.2% | 20.4% | 15.5% | 24.5% | 16.0% | 19.3% |
| Google Cloud STT V1 default | 23.1% | 23.5% | 52.1% | 57.8% | 44.2% | 40.1% |
| Google Cloud STT Chirp 2 | 24.5% | 29.7% | 14.8% | 32.8% | 22.6% | 24.9% |
| Google Cloud STT Chirp 3 | 22.9% | 26.4% | 20.1% | 37.4% | 19.2% | 25.2% |
| Azure AI Speech | 23.0% | 21.1% | 21.0% | 37.3% | 22.5% | 25.0% |
| OpenAI GPT-4o Transcribe | 50.6% | 52.4% | 64.3% | 44.1% | 29.1% | 48.1% |
| OpenAI GPT Realtime Whisper | 31.8% | 26.2% | 20.9% | 33.0% | 22.4% | 26.9% |
| Qwen3-ASR 0.6B | 23.8% | 29.7% | 26.2% | 38.2% | 20.9% | 27.7% |
| Qwen3-ASR 1.7B | 21.9% | 25.0% | 22.0% | 33.1% | 20.0% | 24.4% |
| SenseVoiceSmall | 28.0% | 37.4% | 99.9% | 45.9% | 28.1% | 47.9% |
| ElevenLabs Scribe v2 | 28.6% | 20.3% | 15.4% | 31.5% | 21.2% | 23.4% |
| Deepgram Nova-3 | 29.3% | 28.0% | 38.4% | 44.8% | 29.2% | 34.0% |
Tabla de clasificación
| Sistema | WER macro | Latencia mediana | Notas |
|---|---|---|---|
| VoicePing ASR Model V0.1 | 19.3% | 1.22s | ASR multilingüe de VoicePing |
| Google Cloud STT V1 default | 40.1% | 7.47s | Voz a texto en la nube |
| Google Cloud STT Chirp 2 | 24.9% | 7.12s | Voz a texto en la nube |
| Google Cloud STT Chirp 3 | 25.2% | 7.32s | Voz a texto en la nube |
| Azure AI Speech | 25.0% | 7.12s | Voz a texto en la nube |
| OpenAI GPT-4o Transcribe | 48.1% | 1.53s | Transcripción de OpenAI |
| OpenAI GPT Realtime Whisper | 26.9% | 7.17s | Transcripción de OpenAI |
| Qwen3-ASR 0.6B | 27.7% | 3.56s | Modelo abierto de ASR |
| Qwen3-ASR 1.7B | 24.4% | 4.18s | Modelo abierto de ASR |
| SenseVoiceSmall | 47.9% | 0.07s | Modelo abierto de ASR |
| ElevenLabs Scribe v2 | 23.4% | 3.07s | Voz a texto en la nube |
| Deepgram Nova-3 | 34.0% | 1.33s | Voz a texto en la nube |
VoicePing ASR Model V0.1 combina la WER macro más baja de este benchmark con uno de los tiempos de respuesta medianos más rápidos, de 1.22 segundos. Los sistemas que responden más rápido en esta prueba sacrifican una gran cantidad de precisión para lograrlo.
Resultados por idioma
Inglés
VoicePing ASR Model V0.1 tiene la WER más baja en inglés de esta comparación, con 20.2%, por delante de Qwen3-ASR 1.7B y de los principales sistemas en la nube aquí evaluados.
Japonés
El japonés es uno de los idiomas más importantes para VoicePing. En este conjunto de datos, VoicePing ASR Model V0.1 alcanza una WER de 20.4%, en un empate virtual con ElevenLabs Scribe v2 (20.3%) por el mejor resultado en japonés, por delante de Azure AI Speech y de los modelos abiertos de ASR de referencia.
Vietnamita
El vietnamita es la carrera más reñida de este benchmark: Google Cloud STT Chirp 2 lidera con una WER de 14.8%, con ElevenLabs Scribe v2 (15.4%) y VoicePing ASR Model V0.1 (15.5%) prácticamente empatados justo detrás.
Coreano
El coreano muestra una de las brechas más claras del benchmark. VoicePing ASR Model V0.1 registra una WER de 24.5%, muy por delante del siguiente grupo de sistemas.
Chino
El chino es otra área fuerte para VoicePing ASR Model V0.1, con una WER de 16.0%, con Google Cloud STT Chirp 3 y Qwen3-ASR 1.7B como los más cercanos.
Lo que aprendimos
- VoicePing ASR Model V0.1 tiene la mayor precisión general de este benchmark, con una WER macro de 19.3% en los cinco idiomas.
- El resultado no es uniforme por idioma: el inglés, el coreano y el chino muestran las ventajas más claras de VoicePing en esta prueba, el japonés es un empate virtual con el mejor sistema en la nube, y el vietnamita es una carrera reñida decidida por menos de un punto.
- Los sistemas de propósito general más grandes no ganan automáticamente en el habla multilingüe específica de un producto.
- Tanto la precisión como el tiempo de respuesta importan para la experiencia del usuario, especialmente en reuniones y eventos en vivo.
Próximos pasos
VoicePing ASR Model V0.1 es una primera versión, y este benchmark es una instantánea. El conjunto de datos está construido a partir del tipo de habla que VoicePing maneja en la práctica, por lo que mide la preparación para nuestro producto y no pretende sustituir a un benchmark público universal; además, los sistemas en la nube de la comparación seguirán evolucionando, igual que nuestro modelo. La latencia también depende del entorno de despliegue, así que conviene tomar los números de velocidad como indicativos y no como absolutos.
A partir de aquí, nuestro trabajo se centra en lo que señala esta evaluación: reducir los patrones de error que persisten en cada idioma, ampliar el conjunto de prueba con audio más ruidoso, más largo y más específico de cada dominio, y extender la comparación a medida que se lancen nuevos sistemas de voz a texto. Las puntuaciones automáticas guían ese trabajo, y la revisión humana de las transcripciones sigue formando parte de cada decisión de lanzamiento.
Conclusión
VoicePing ASR Model V0.1 es nuestro primer modelo multilingüe consolidado de ASR para inglés, japonés, coreano, chino y vietnamita. En este benchmark de 5,000 clips ofrece la mayor precisión general de los sistemas evaluados, con algunos de los tiempos de respuesta más rápidos, y es la capa de transcripción sobre la que se construyen todas las demás funciones de VoicePing.
El cambio importante es el enfoque: estamos evaluando el ASR como parte de un producto real de comunicación multilingüe, no como una demostración aislada de un modelo.
