Por Juste Thales Gnimavo (CEO, ZeroSuite) y Claude Opus 5.5 (Claude Code)
El 2 de noviembre de 2026, Juste probó el modo "Presento" (« Je présente ») de Déblo Duo. Un orador habla en francés; la sala escucha una traducción al inglés en directo, cada oyente en su propio teléfono o portátil. Saludó, preguntó a todos cómo estaban y dejó de hablar. La traducción no se detuvo. "Are you okay?" volvió. Y otra vez. Y otra.
La explicación fácil era la que todo el mundo tiene a mano: la IA alucinó. No la escribimos, porque no explica nada y no corrige nada. En su lugar, leímos la sesión.
Déblo Duo es nuestro intérprete en tiempo real. (Por qué es una aplicación aparte está en Por qué existe Déblo Duo.) El audio del orador va al modelo de traducción de voz en tiempo real de Google a través de un worker en el servidor, sobre nuestra capa de audio en tiempo real, y el audio traducido vuelve a salir hacia cada oyente.
Lo que decía la transcripción
La sesión duró de 15:02:25 a 15:03:29 UTC: 63 segundos, 26 turnos, del francés al inglés. Recuperamos la transcripción guardada y los logs del contenedor del worker que la había gestionado. Este es el lado de origen, con las marcas de tiempo del worker en segundos:
1753.87 « Bonjour. » → "Hello."
1759.93 « Bonjour. » → "Hello." (+6.1 s)
1765.98 « Comment est-ce que vous allez ? » → "How are you?"
1773.95 « Tu vas bien ? » → "Are you okay?"
1777.99, 1781.93, 1785.96, 1790.00, 1793.94, 1797.97, 1801.90, 1805.94:
« Tu vas bien ? » → "Are you okay?"
1809.36 el orador saleLo primero que hay que notar es qué lado se repite. No es la traducción la que da vueltas sobre una entrada fija. Es el origen. El modelo recibía « Tu vas bien ? » en francés, una y otra vez, y lo traducía fielmente cada vez. Después de la primera, recibió esa frase ocho veces más, aproximadamente cada 4,0 segundos.
Lo segundo es que Juste nunca dijo « Tu vas bien ? ». Dijo « Comment est-ce que vous allez ? ». El origen se desvió una vez y luego dejó de desviarse.
Leer el patrón
Tres rasgos de esa transcripción apuntaban a una sola causa antes de mirar cualquier otra cosa.
Un periodo fijo. Ocho repeticiones separadas por 4,0 segundos, con una precisión de una décima de segundo. Las alucinaciones sobre ruido no son periódicas. Un bucle físico sí lo es: su periodo es la suma de los retardos que lo componen. Aquí, la latencia de traducción, más la reproducción, más el final del turno.
Una deriva, y luego un punto fijo. « Comment est-ce que vous allez ? » se convirtió en "How are you?". "How are you?", reproducido en el micrófono del orador, salió de la transcripción de origen como « Tu vas bien ? ». « Tu vas bien ? » se convirtió en "Are you okay?", que volvió como « Tu vas bien ? » otra vez. Es la firma de un viaje de ida y vuelta con pérdida: cada pasada pierde un poco, hasta que la frase cae en una forma que sobrevive al trayecto sin cambiar. A partir de ahí, el bucle es estable.
La misma forma en otro sitio. El segundo « Bonjour. », 6,1 segundos después del primero, era lo mismo: un viaje de ida y vuelta de "Hello." que logró sobrevivir.
La causa: un oyente en la web estaba en la misma sala y reproducía la traducción al inglés por su altavoz. El micrófono del orador la captaba. El modelo la volvía a traducir al francés, como si el orador la hubiera dicho, y el altavoz del oyente reproducía la nueva traducción. Juste se había convertido en un relé de su propio bucle de realimentación.
Descartamos explícitamente las otras dos hipótesis. No era un bucle dentro de nuestro puente: cada repetición era una entrada de origen distinta, con sus propias marcas de tiempo, que llegaba por el micrófono. No era ruido ambiente: el ruido no produce una frase coherente en francés con un reloj de 4,0 segundos.
La cancelación de eco del navegador estaba activada. Aquí no sirve. Elimina lo que reproduce el propio dispositivo, y el dispositivo del orador no reproducía nada. El sonido venía de otra máquina, al otro lado de la sala. La pantalla de presentación ya aconseja a los oyentes usar auriculares. Un aviso no es una garantía en una sala llena de gente que acaba de escanear un código QR.
Por qué la corrección de eco anterior no lo cubría
Cinco días antes nos habíamos topado con un primo de este bug. El 28 de octubre, en llamadas entre dos teléfonos con el altavoz activado, un teléfono podía oír su propia traducción por su propio altavoz y devolverla al modelo.
Ese lo corregimos en el servidor, no en la aplicación. Mientras se reproduce la pista que escucha un teléfono, el worker sustituye el micrófono de ese teléfono por silencio hacia el modelo, y se lo indica al teléfono para que muestre "Escucha la traducción" (« Écoutez la traduction ») en lugar de un micrófono activo. Elegimos el servidor antes que silenciar el micrófono en la aplicación porque la detección de voz de la aplicación reacciona demasiado tarde y funciona por participante, no por pista de audio. El servidor sabe exactamente qué pista oye cada teléfono y cuándo se está reproduciendo.
Esa corrección es precisa porque empareja un micrófono con un altavoz conocido: el del mismo teléfono. En una presentación, el altavoz pertenece a un oyente que el worker trata como público, y el micrófono pertenece al orador. Nada los empareja. El worker no puede saber que un oyente al otro lado de la sala está físicamente cerca del teléfono del orador.
Dónde tenía que ir la guarda
El brief de la corrección proponía el lugar evidente: comparar cada nueva traducción con las últimas traducciones y descartar las repeticiones.
No lo hicimos, y lo dijimos antes de escribir código. En nuestro puente, el audio traducido se envía a la pista de los oyentes en cuanto llega del modelo, al mismo tiempo que su texto. Cuando una frase traducida está lo bastante completa para compararla, su audio ya se ha ido. Una guarda sobre la traducción habría quitado el subtítulo y dejado al oyente escuchando la ráfaga. El modelo tampoco nos da una señal fiable de fin de turno para una traducción, así que no hay nada que esperar.
Así que la guarda va sobre el segmento de origen, que vemos antes. Solo en modo presentación, cuando un nuevo segmento de origen coincide con uno de los más recientes (tras normalizar mayúsculas, puntuación y espacios) y empieza poco después de él, el worker lo trata como un eco. El audio traducido de ese sentido se descarta, y ni el origen ni la traducción se publican en los subtítulos ni en la transcripción de fin de llamada. La guarda se libera tras un breve silencio, o en cuanto el orador dice algo que no repite un eco reciente.
Los modos de un solo teléfono y a distancia no tienen ninguna ruta de código que pase por ella.
Qué verificamos, y cuánto cuesta
Pasamos por la guarda los doce segmentos de origen medidos en esa sesión. Conservó el primer « Bonjour. », « Comment est-ce que vous allez ? » y el primer « Tu vas bien ? ». Suprimió las ocho repeticiones siguientes y el segundo « Bonjour. ».
El primer « Tu vas bien ? » es en sí mismo un eco, el que se desvió. La guarda no puede atraparlo, y no fingimos que pueda: todavía no repite nada, y solo por el texto no se distingue de un orador que hace una pregunta nueva. Así que el oyente todavía puede oír una frase dos veces, como máximo, en lugar de una ráfaga.
Después ejecutamos una simulación dentro del contenedor del worker de producción, con el SDK de audio real: habla, un eco cuatro segundos después, más habla. La primera y la última se reprodujeron completas. El eco reprodujo cero bytes, y el worker registró la supresión con la cantidad de audio que se había filtrado antes de la detección: ninguna. Solo los dos enunciados reales llegaron a la transcripción final.
La guarda tiene costes conocidos, escritos junto con ella. Un orador que repite rápidamente exactamente la misma frase pierde la segunda. Los primeros paquetes de audio de un eco pueden salir antes de que la transcripción de origen esté lo bastante completa para coincidir; el worker mide esa fuga en cada supresión para que la veamos en producción. En la pantalla del propio orador, una línea parcial de un eco puede quedar visible.
La misma sesión también le dio al presentador un botón de silencio. "Presento" era el único modo que no lo tenía.
Qué cambió, y qué sigue abierto
La corrección está desplegada. No está probada. La observación que debemos es concreta: un orador real y un oyente real con altavoz en la misma sala, los eventos de supresión en el log del worker de producción y una transcripción sin ráfaga. Eso requiere dos dispositivos en una sala y una persona que hable, y hasta que ocurra, el punto sigue abierto.
Lo que cambió es cómo leemos un modelo que se porta mal. "La IA alucinó" describe un síntoma, y cierra la investigación antes de que empiece. La transcripción tenía un periodo fijo, una deriva y un punto fijo. Cada uno tiene un significado físico, y juntos nombraron la causa antes de que tocáramos el código: dos dispositivos, una sala, un micrófono abierto.
Cada demo de Duo para inversores se hace en una sola sala. Esa es exactamente la condición de este bug, y por eso pusimos esta corrección al frente de la cola el mismo día en que la encontramos.