El árabe se escribe con menos de lo que se pronuncia. Cuando un lector árabe se encuentra con una frase sin vocales, reconstruye las vocales breves a partir del contexto sin darse cuenta. Un modelo de voz tiene que hacer lo mismo con estadística. Ahí empiezan los problemas: un mismo texto puede admitir más de una pronunciación, y cada pronunciación cambia el significado. Además, el árabe tiene una enorme variedad de dialectos, y los datos de voz bien organizados para ellos son escasos. En este artículo leemos lo que dicen trabajos de investigación recientes sobre estos obstáculos, con las cifras que publicaron sus autores, y después sacamos conclusiones prácticas para quien produce contenido de audio en árabe.
Un texto que esconde su pronunciación: el problema de las vocales breves
El árabe suele escribirse sin vocales breves (fatha, damma, kasra, sukún y tanwín). La palabra «كتب» es un ejemplo conocido: puede leerse «kataba» (escribió), «kutub» (libros) o «kutiba» (fue escrito). El lector lo resuelve a partir de toda la frase.
Un artículo de Hala Al Masri y Muhy Eddin Zater sobre la preparación de datos de voz en árabe describe este problema con claridad: una misma palabra puede tener varios significados cuando faltan las vocales, y tanto el actor de voz como el módulo de IA se benefician de los diacríticos que reducen la ambigüedad. El artículo propone una diacritización parcial, con marcas solo en los puntos ambiguos, porque los textos totalmente vocalizados son escasos y caros.
¿Podemos añadir los diacríticos automáticamente? Las cifras muestran avances y una brecha
La solución lógica es añadir los diacríticos automáticamente antes de leer el texto. La diacritización automática ha mejorado mucho, pero sigue lejos de ser perfecta. El artículo CATT (un transformador de tashkeel árabe a nivel de carácter) presenta los resultados de su modelo en dos pruebas de referencia:
- En la prueba WikiNews con vocales finales de caso, el modelo codificador-decodificador alcanzó una tasa de error de caracteres de cerca del 5,96 % y una tasa de error de palabras de cerca del 20,06 %.
- En la prueba CATT, más difícil, la tasa de error de caracteres fue de cerca del 8,62 % y la de palabras de cerca del 34,19 %.
La diferencia entre ambas pruebas es importante. Aquí un error de palabra significa que la palabra tiene al menos un fallo de diacritización. Aunque el modelo del artículo supera a los modelos con los que se compara, falla en aproximadamente una palabra de cada cinco en la prueba fácil y en aproximadamente una de cada tres en la difícil. Las vocales finales de caso (las terminaciones gramaticales) son la parte más difícil de la diacritización, porque dependen de la estructura de la frase y no solo de la palabra. Por eso las cifras mejoran cuando se excluyen (cerca del 3,63 % de error de caracteres en WikiNews).
La conclusión: la diacritización automática reduce la ambigüedad pero no la elimina, y cualquier error se traslada directamente a la pronunciación.
¿Pueden los datos sustituir a los diacríticos? Un experimento del QCRI
Existe una vía de investigación alternativa: en lugar de añadir diacríticos al texto, entrenar el modelo con una enorme cantidad de voz para que aprenda a adivinar correctamente. Eso es lo que puso a prueba el artículo «More Data, Fewer Diacritics» (marzo de 2026), de investigadores del Qatar Computing Research Institute (QCRI). El equipo reunió cerca de 20 000 horas de audio de plataformas sociales y, tras limpiarlas y segmentarlas, conservó unas 4000 horas aptas para el entrenamiento. Después entrenó modelos de distintos tamaños, con y sin diacríticos, y midió la tasa de error de palabras (WER) con un modelo de reconocimiento de voz.
Resultados principales:
- Con 4000 horas y diacríticos: WER de 1,67, el mejor resultado.
- Con 4000 horas y sin diacríticos: WER de 3,18.
- El modelo sin diacríticos entrenado con 1000 horas (3,12) superó a los modelos con diacríticos entrenados con 100 horas (3,48 y 3,62).
Es decir, con la misma cantidad de datos los diacríticos siguen dando el mejor resultado, pero muchos datos compensan buena parte de su ausencia. Los investigadores señalan límites importantes: el experimento cubrió solo el árabe estándar moderno, la medición fue objetiva y sin pruebas de escucha humana, y la familia de modelos de reconocimiento usada para puntuar está ligada a la cadena de preparación de datos, lo que puede sesgar los resultados.
Árabe estándar y dialectos: una lengua escrita y una lengua hablada
El segundo problema es más profundo que los diacríticos: ¿de qué «árabe» hablamos? El artículo Habibi (enero de 2026) dice que el árabe tiene más de 30 variedades habladas, que el árabe estándar moderno se usa poco en el habla cotidiana y que los dialectos difieren mucho en vocabulario y pronunciación. Añade que la mayoría de los datos de voz árabes disponibles se construyeron originalmente para reconocimiento de voz, suelen tener ruido y carecer de diacríticos, y que no existe una referencia unificada para evaluar la síntesis de voz multidialectal.
El estudio «Arab Voices» (Universidad de la Columbia Británica, enero de 2026) confirma el cuadro desde el lado de los datos. Catalogó 31 conjuntos de datos de voz árabes y observó que las etiquetas de dialecto no están estandarizadas y que regiones como el norte de África (argelino, hasanía, marroquí y tunecino) e Irak están poco representadas. En pruebas de reconocimiento de voz sin entrenamiento previo, la tasa de error de algunas configuraciones de Whisper superó 200 y llegó a 271,25 para el árabe mesopotámico, mientras que la del árabe estándar bajó de 12 en varios modelos. Son cifras de reconocimiento de voz y no de síntesis, pero reflejan la misma brecha entre árabe estándar y dialectos en los datos.
Un resultado llamativo de Habibi es que entrenar el modelo primero con árabe estándar y luego con el dialecto da resultados mucho mejores que entrenarlo solo con el dialecto. En el conjunto SADA, el WER fue de cerca de 13,30 con este enfoque frente a 55,63 al entrenar desde cero con el dialecto. En otras palabras, el árabe estándar funciona como una base sobre la que construir, y los datos dialectales por sí solos no bastan.
Antes de que el modelo hable: normalización del texto y grabación
Muchos de los errores que oímos no vienen del modelo de voz, sino del texto que le llega. Al Masri y Zater explican que la cadena de preparación convierte números, fechas, palabras no árabes y abreviaturas en texto árabe pronunciable antes de la diacritización, la corrección ortográfica y la segmentación. Un texto como «1994», «5 km» o «iPhone» no se pronuncia como se escribe, y si no se convierte explícitamente se pronunciará mal o se omitirá.
El artículo también trata la calidad de grabación: el ruido, el siseo y las oclusivas de un estudio sin tratar estropean los datos de entrenamiento, y recomienda evitar el ruido en origen, mantener un ritmo estable y natural y colocar las pausas solo en los signos de puntuación. Esto recuerda que la calidad de la voz sintética depende de la calidad de la voz humana de la que aprendió.
¿Cómo saber si una voz es buena? El problema de la medición
La mayoría de los estudios se apoyan en métricas automáticas como el WER, la similitud del hablante y la naturalidad predicha (UTMOS), y todas tienen límites. Habibi advierte de que algunas de estas métricas no generalizan bien fuera de los datos de entrenamiento, por lo que los investigadores añadieron una evaluación humana con entre 10 y 20 hablantes nativos por dialecto. En su comparación con un modelo comercial, ninguna de las partes ganó en todas las métricas: Habibi fue mejor en similitud del hablante y en tasa de error en varios dialectos, y el modelo comercial fue mejor en naturalidad. La lección es que el «mejor sistema» depende de lo que se mida, y que escuchar de verdad no tiene sustituto.
¿Qué significa esto para quien produce contenido de audio en árabe?
De la investigación anterior se desprenden algunos hábitos prácticos. Es un análisis mío, no lo que dicen los artículos palabra por palabra:
- Añada usted mismo los diacríticos en los puntos ambiguos. Una diacritización parcial en las palabras que admiten más de una pronunciación es más barata y más precisa que confiar en la suposición, que es lo que sugieren Al Masri y Zater.
- Escriba los números, fechas, abreviaturas y nombres extranjeros como quiere que se pronuncien.
- Elija árabe estándar o dialecto de forma deliberada y evite mezclarlos en un mismo párrafo salvo por motivos artísticos.
- Escuche antes de publicar. Ninguna métrica automática sustituye al oído humano, sobre todo en nombres, términos y cifras.
- Divida los textos largos en partes cortas y revíselas una a una, porque un solo error en una hora entera es difícil de detectar.
Moknah hoy
Moknah se encarga de parte de estos pasos dentro de la plataforma: para el árabe ofrece tres procesadores de texto, Básico, Tashkeel y Poeta IA, y Tashkeel y Poeta IA consumen más créditos que el Básico. La plataforma admite la conversión de texto a voz en más de 130 idiomas. No sustituye la revisión humana; reduce el trabajo manual repetitivo. Puede empezar gratis y probar el texto que le importa desde la página de precios.
Lecturas relacionadas
- ¿Por qué el árabe es un gran desafío para los sistemas de locución con IA globales?
- ¿Cómo elegir la voz más adecuada para tu marca con Moknah?
- ¿Qué es el texto a voz?
Fuentes
- Musleh, Zhang, Darwish, "More Data, Fewer Diacritics: Scaling Arabic TTS", arXiv:2603.01622, March 2026: https://arxiv.org/html/2603.01622
- "CATT: Character-based Arabic Tashkeel Transformer", arXiv:2407.03236: https://arxiv.org/html/2407.03236
- Al Masri, Zater, "Arabic Text-to-Speech (TTS) Data Preparation", arXiv:2204.03255: https://arxiv.org/pdf/2204.03255v1
- Chen et al., "Habibi: Laying the Open-Source Foundation of Unified-Dialectal Arabic Speech Synthesis", arXiv:2601.13802: https://arxiv.org/html/2601.13802v2
- Sullivan et al., "Arab Voices: Mapping Standard and Dialectal Arabic Speech Technology", arXiv:2601.13319, January 2026: https://arxiv.org/html/2601.13319v2