La traducción de voz a voz explicada: STT → MT → TTS en palabras sencillas

Qué pasa cuando le hablas a una app de traducción

Presionas un botón, dices una frase en inglés y un segundo después escuchas francés. Parece magia. Detrás, tres tecnologías distintas se ejecutan en secuencia, cada una con sus puntos fuertes, sus debilidades y sus formas de fallar.

Entender esta cadena (STT, MT, TTS) explica por qué la traducción a veces clava una frase compleja y a veces destroza un nombre sencillo. También te dice cómo hablar para obtener mejores resultados.

Etapa 1: de voz a texto (STT)

La conversión de voz a texto (STT, por sus siglas en inglés), también llamada reconocimiento automático del habla (ASR), transforma tu audio hablado en texto escrito en el mismo idioma en el que hablaste.

Cuando le dices “Where is the nearest pharmacy?” (“¿Dónde está la farmacia más cercana?”) a tu teléfono, el motor de STT produce la cadena de texto “Where is the nearest pharmacy?”.

Cómo funciona. Los sistemas de STT modernos usan modelos de redes neuronales entrenados con miles de horas de voz etiquetada. Google Research ha publicado extensamente sobre modelos de reconocimiento de voz de extremo a extremo que convierten las ondas de audio directamente en texto, sin representaciones fonéticas intermedias. La investigación de Meta sobre wav2vec y el aprendizaje autosupervisado llevó el campo hacia modelos que aprenden de audio sin etiquetar, lo que mejoró el reconocimiento de idiomas con pocos recursos.

Dónde falla. Al STT le cuesta:

• Los nombres propios (de personas, calles, marcas) que no están en sus datos de entrenamiento
• Los acentos marcados o los dialectos poco representados en el entrenamiento
• El ruido de fondo que compite con la voz
• El habla rápida o murmurada
• La alternancia entre idiomas a mitad de una frase

Cada error en esta etapa se propaga a las siguientes. Si el STT oye “farmacy” en lugar de “pharmacy”, la etapa de traducción recibe una entrada equivocada.

Etapa 2: traducción automática (MT)

La traducción automática convierte el texto de un idioma a otro. La salida del STT, “Where is the nearest pharmacy?”, se convierte en “Où est la pharmacie la plus proche?”.

Cómo funciona. Los modelos de traducción automática neuronal (NMT), entrenados con corpus de textos paralelos en los dos idiomas, aprenden a trasladar el significado de un idioma a otro. La arquitectura Transformer de Google Research revolucionó este campo. El proyecto NLLB (No Language Left Behind) de Meta llevó la traducción de alta calidad a cientos de idiomas que antes no tenían un soporte de MT adecuado.

Dónde falla. A la MT le cuesta:

• Las expresiones idiomáticas y culturales que no se traducen de forma literal
• Las palabras ambiguas, cuyo significado depende del contexto
• Las frases muy largas o de sintaxis compleja
• Los pares de idiomas con pocos datos de entrenamiento

En pares bien soportados, como inglés-francés o inglés-español, la precisión de la MT es alta con frases sencillas. Con contenido idiomático o técnico, los errores aumentan.

Lo importante es que la MT solo puede ser tan precisa como el texto de STT que recibe. Una entrada de STT distorsionada produce una traducción segura pero equivocada.

Etapa 3: de texto a voz (TTS)

La conversión de texto a voz transforma el texto traducido otra vez en audio hablado en el idioma de destino. El texto en francés “Où est la pharmacie la plus proche?” se convierte en el audio que escuchas por el altavoz o los audífonos.

Cómo funciona. El TTS moderno usa vocoders neuronales y modelos de predicción de espectrogramas para generar una voz que suena natural. Las familias Tacotron y WaveNet de Google Research marcaron la referencia en naturalidad de la voz. El resultado ya no es un monótono robótico: incluye una entonación, unas pausas y un énfasis verosímiles.

Dónde falla. Al TTS le cuesta:

• Pronunciar nombres extranjeros incrustados en el texto traducido
• Las palabras poco comunes o los neologismos que no están en su diccionario de pronunciación
• Reproducir el tono emocional de quien habló originalmente
• Una velocidad de habla que suena poco natural para el contenido

Los errores de TTS suelen ser menos disruptivos que los de STT o MT, porque quien escucha a menudo puede deducir el significado por el contexto aunque la pronunciación no sea perfecta.

La cadena completa, en orden

```

Tu voz → [STT] → texto en inglés → [MT] → texto en francés → [TTS] → audio en francés → La otra persona escucha

```

(STT: reconocimiento de voz; MT: traducción automática; TTS: síntesis de voz)

Latencia total en 2026 para sistemas conectados a la nube: aproximadamente de uno a tres segundos por frase. El desglose:

• STT: 300–800 ms
• MT: 100–300 ms
• TTS: 300–800 ms
• Ida y vuelta por la red: 100–500 ms (varía según la conexión)

Las cadenas que funcionan en el dispositivo (como la traducción en el dispositivo de Apple) eliminan la latencia de red, pero suelen admitir menos idiomas y pueden usar modelos más pequeños, con una precisión algo menor.

Por qué esto importa para tu forma de hablar

Conocer la cadena cambia tu comportamiento:

Di una frase a la vez. El STT procesa enunciados, no monólogos continuos. Hacer una pausa entre una idea y otra le da a cada etapa una entrada limpia.

Cuida el micrófono. El STT es el eslabón más débil. El ruido de fondo, la distancia al micrófono y hablar entre dientes empeoran la entrada que reciben la MT y el TTS.

Verifica los nombres propios en el texto. Si el STT oye mal un nombre, la MT y el TTS entregarán con toda seguridad el nombre equivocado. El texto en pantalla es tu punto de control para corregirlo.

Usa estructuras sencillas para la información crítica. “Room 412. Floor 4.” (“Habitación 412. Piso 4.”) se traduce de forma más fiable que “I believe we were assigned the room on the fourth floor, possibly 412 or 414.” (“Creo que nos asignaron la habitación del cuarto piso, quizá la 412 o la 414”).

Los modelos directos de voz a voz: la próxima frontera

Investigadores de Google, Meta y varias universidades están desarrollando modelos de voz a voz de extremo a extremo que se saltan las etapas intermedias de texto. Estos modelos convierten el audio de un idioma directamente en audio de otro idioma.

La ventaja es que conservan los rasgos paralingüísticos (tono, emoción, ritmo) que se pierden al pasar por el texto. El reto son los datos: entrenar modelos directos de voz a voz requiere audio alineado en varios idiomas, que es mucho más escaso que los corpus de texto.

En 2026, muchas herramientas de traducción en tiempo real en producción siguen usando la cadena de tres etapas, mientras que los modelos directos de voz empiezan a aparecer a su lado. A menudo no se revela qué enfoque usa cada producto, así que toma con cautela las afirmaciones en uno u otro sentido.

Qué significa esto para las herramientas de conversación en tiempo real

La mayoría de los productos de traducción en tiempo real, ya sea en el navegador, en una app nativa o en audífonos, ejecutan alguna versión de esta cadena. Las diferencias entre productos son, sobre todo:

• La calidad de los modelos en cada etapa (mejores datos de entrenamiento, modelos más grandes)
• La cobertura de idiomas (cuántos pares se admiten con alta calidad)
• La optimización de la latencia (STT en streaming, procesamiento de MT y TTS en paralelo)
• El despliegue (en la nube frente a en el dispositivo)

Cuando evalúas herramientas de traducción, estás evaluando tres modelos que trabajan juntos, no una sola tecnología.

La conclusión práctica

La traducción de voz a voz no es magia. Son tres tecnologías bien conocidas encadenadas. La cadena funciona notablemente bien para la conversación rutinaria en pares de idiomas bien soportados. Sus debilidades (nombres propios, ruido, expresiones idiomáticas) son predecibles y se pueden manejar con buenos hábitos al hablar y verificando el texto.

La próxima vez que una traducción suene mal, pregúntate: ¿me oyó mal (STT), me tradujo mal (MT) o pronunció mal el resultado (TTS)? La respuesta te dice si tienes que hablar con más claridad, reformular o revisar el texto en pantalla.

Fuentes

Contrastado con las páginas de cada fuente el 2 de octubre de 2026.

• arXiv (Google Brain/Research) — Vaswani et al., Attention Is All You Need (2017) (en inglés)
• arXiv (Facebook AI / Meta) — Baevski et al., wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations (2020) (en inglés)
• arXiv (Meta AI) — NLLB Team, No Language Left Behind: Scaling Human-Centered Machine Translation (2022) (en inglés)
• arXiv (Google) — Shen et al., Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions (Tacotron 2, 2017) (en inglés)
• arXiv (Google) — Jia et al., Direct speech-to-speech translation with a sequence-to-sequence model (Translatotron, 2019) (en inglés)