WER: qué mide realmente y por qué el 99% de precisión engaña

La tasa de error de palabras (WER, por sus siglas en inglés) es la vara de medir estándar del reconocimiento de voz: tomas una transcripción de referencia perfecta, la comparas palabra por palabra con lo que produjo la máquina y cuentas los errores. Un WER del 5 % equivale, más o menos, a un «95 % de precisión», y es en ese salto de la métrica al marketing donde empiezan los problemas. El WER es una medida real y útil; la forma en que se cita en los anuncios, especialmente cuando se promete un 99 % de precisión, casi no significa nada. Aquí verás cómo funciona la métrica, qué esconde y cómo evaluar las cifras de precisión como alguien que sabe de qué va.

Cómo se calcula el WER

Se alinea la transcripción de la máquina con una referencia verificada por una persona y se cuentan tres tipos de errores:

• Sustituciones: la palabra equivocada, como «haya» en lugar de «halla» o «bla bla escribe» en lugar de «BlaBlaScribe».

• Omisiones: palabras que la máquina se saltó.

• Inserciones: palabras que se inventó, muchas veces a partir del ruido de fondo.

Después: WER = (S + D + I) ÷ N, donde S son las sustituciones, D las omisiones, I las inserciones y N el número de palabras de la referencia. Diez errores en una referencia de 200 palabras = 5 % de WER. Como las inserciones cuentan, el WER puede superar el 100 % con un audio pésimo, una rareza que delata lo literal que es la métrica. (La métrica tiene su origen en la distancia de edición; la entrada de Wikipedia recoge la definición formal).

Lo que el WER esconde

Todos los errores pesan lo mismo, aunque no deberían

Para el WER, omitir un «eh» y destrozar el nombre del director general cuentan como un error cada uno. Para quien lee, el primero es invisible y el segundo acaba en una captura de pantalla. Una transcripción real vale o no vale según qué palabras están mal (nombres, cifras, negaciones), y el WER no ve esa diferencia. («Sí podemos» frente a «no podemos» es una sola sustitución).

La cifra no significa nada sin el audio de prueba

El mismo sistema puede sacar un 4 % de WER en un podcast grabado en estudio y un 30 % en una grabación con teléfono en un corrillo de prensa con viento. El «99 % de precisión» de un proveedor se midió con algo: casi con seguridad, habla limpia, de una sola persona y con acento nativo. Tu audio es la única prueba que predice tus resultados, y esa es la idea central, honesta, de nuestra guía sobre por qué varía la precisión de la transcripción.

El juego de la normalización

Antes de comparar, los textos se normalizan: mayúsculas, puntuación, «20» frente a «veinte», muletillas. Distintas decisiones de normalización mueven el WER varios puntos. Las cifras publicadas casi nunca explican qué decisiones tomaron, lo que convierte las comparaciones entre proveedores basadas en cifras de titular en puro teatro, casi siempre.

El WER no dice nada del resto del producto

Errores al atribuir quién habla, puntuación rota, marcas de tiempo que se desplazan: nada de eso entra en el WER. Una transcripción con un 3 % de WER y las etiquetas de hablante revueltas es un resultado de trabajo peor que una con un 5 % de WER y una atribución limpia. (La diarización tiene su propia métrica, el DER, que los proveedores citan todavía menos).

Cómo leer una promesa de precisión

Una tabla rápida para traducir el lenguaje del marketing:

Ninguna de estas frases es exactamente mentira: son cifras del mejor caso presentadas como si fueran lo habitual. Lo que delata una conversación honesta sobre precisión son las condiciones: qué audio, qué acentos, qué normalización.

La única prueba que importa: la tuya

Probar es mejor que leer. El procedimiento lleva veinte minutos:

1. Elige una grabación real: tus micrófonos de siempre, tus acentos, tus voces superpuestas. No el archivo más limpio, sino uno típico.

2. Pásala por las herramientas que estás comparando (para eso existen los planes gratuitos; nuestra guía de herramientas gratuitas los repasa).

3. No calcules un WER formal: lee. Revisa las palabras que te salen caras, como nombres, cifras, términos técnicos y negaciones, y cuenta esos errores.

4. Revisa el entorno: ¿las etiquetas de hablante son correctas? ¿La puntuación se lee bien? ¿Las marcas de tiempo permiten hacer clic para verificar?

5. Cronometra la corrección: los minutos que tardas en dejar el texto listo para publicar en el editor de cada herramienta son la métrica que de verdad notas en tu semana.

Preguntas frecuentes

¿Qué WER es bueno para una transcripción con IA en 2026?

Con habla limpia y bien microfoneada, los sistemas líderes se quedan en cifras bajas de un solo dígito, lo que es realmente excelente. Con audio difícil (ruido, acentos marcados, voces superpuestas), el WER se dispara en todos los sistemas. No existe una única cifra honesta.

¿Es bueno un 95 % de precisión?

Es un error cada veinte palabras: se nota en cada línea de una transcripción densa. Que sea «bueno» depende por completo de qué palabras fallan y de lo rápido que el editor te deje corregirlas.

¿Por qué todos los proveedores prometen un 99 % de precisión, más o menos?

Porque ahí caen las cifras del mejor caso en pruebas de referencia limpias, y nadie anuncia su resultado en un estacionamiento con viento. Toma esa coincidencia como señal de que la métrica ya no distingue a unos de otros, no de que todas las herramientas sean iguales.

¿Un WER más bajo significa siempre una transcripción mejor?

Normalmente sí, con el mismo audio, pero la atribución de hablantes, la puntuación y la facilidad de edición deciden su valor real de trabajo. Compara transcripciones terminadas, no decimales.

En resumen

El WER es una buena métrica de ingeniería y una mala guía de compra. Ten claro qué cuenta, fíjate en lo que ignora y deja que una grabación real y desordenada, leída con tus propios ojos, pese más que cualquier porcentaje de cualquier anuncio.