Su corpus de idioma raro no se encuentra para la IA

Las inteligencias artificiales son, por defecto, angloparlantes: han sido alimentadas con una web dominada por un puñado de lenguas principales. Para los dialectos, las lenguas regionales y las lenguas de signos, los datos de entrenamiento siguen siendo masivamente insuficientes. Y a diferencia del inglés, casi no hay nada que recuperar en línea para una lengua poco escrita o poco digitalizada: los datos deben ser producidos, grabados y luego transcritos a mano.

Este esfuerzo tiene un coste, que es precisamente lo que le confiere valor. Transcribir una hora de audio en una lengua infradotada puede requerir del orden de 30 a 36 horas de trabajo humano, mientras que el inglés solo reclama una fracción de ese tiempo (arXiv, 2025). En cuanto al precio, el audio anotado de calidad se sitúa entre 90 y 180 dólares por hora de audio en inglés, con una prima de 3 a 6 veces para las lenguas especializadas o raras.

Los actores implicados producen, a menudo sin saberlo, habla rara: centros de llamadas multilingües o dialectales, medios regionales y radios locales, asociaciones de sordos y servicios de interpretación de lengua de signos, pero también el sector educativo, la traducción y las comunidades lingüísticas. Lo que tiene valor es la grabación de audio o vídeo acompañada de su transcripción: habla en lengua o dialecto raro, vídeo de lengua de signos anotado, habla espontánea de niños, mayores o del terreno.

Los datos lingüísticos afectan a personas y comunidades: un marco ético —consentimiento explícito, anonimización, respeto a la comunidad— no es una opción, y es también lo que hace que los datos sean transferibles y, por tanto, valorizables. El primer paso concreto es saber si su corpus es valorizable: inicie un diagnóstico gratuito en d-nvest.