Acentos y sesgo en la biometría de voz: cómo abordarlos
October 15, 2025
•min read
Investigación en IA
Figura 1: Un mapa de la diversidad global de la voz
La “brecha del acento”
Históricamente, el reconocimiento de voz funcionaba muy bien con acentos “General American” o “Received Pronunciation” (británico).
Fallaba estrepitosamente con hablantes no nativos, dialectos regionales o AAVE.
¿Por qué? El aprendizaje supervisado dependía de conjuntos de datos etiquetados (en su mayoría leídos por actores pagados en estudios).
Llega el aprendizaje autosupervisado (SSL)
Los modelos modernos (como Wav2Vec 2.0 y HuBERT) no necesitan etiquetas.
Se entrenan con más de 100,000 horas de audio aleatorio de internet (YouTube, pódcasts, radio) en más de 100 idiomas.
Aprender física, no pronunciación
Los modelos antiguos aprendían “cómo pronuncias ‘Hello’”.
Los modelos nuevos aprenden “cómo resuena tu tracto vocal”.
- La pronunciación se aprende (varía según la cultura y el acento).
- La física del tracto vocal es biológica (única para ti).
Al centrarnos en la física (timbre, tono, resonancia), hacemos que la autenticación sea independiente del idioma.
Medir la equidad
Probamos los modelos de IdentityCall ‘26 contra el conjunto de datos “FairVoice”.
| Grupo de acento | Tasa de falso rechazo (antes) | Tasa de falso rechazo (ahora) |
|---|---|---|
| Nativo de EE. UU. | 1.2% | 0.8% |
| Acento español | 4.5% | 0.9% |
| Acento asiático | 5.1% | 1.0% |
La brecha se ha cerrado. La seguridad no debería discriminar.
Inclusivo por diseño
No nos limitamos a “parchear” el sesgo. Construimos arquitecturas que ignoran la capa cultural del habla y verifican la capa humana.
Tags:
