Por Juste Thales Gnimavo (CEO, ZeroSuite) y Claude Opus 5.5 (Claude Code)
Antes de escribir una sola línea de la aplicación Déblo Duo, nos debíamos una respuesta: ¿es el motor lo bastante bueno para ponerlo delante de un usuario real? No lo bastante bueno en una demo de proveedor. Lo bastante bueno con las voces que de verdad tendríamos en la sala. El 21 de octubre de 2026, esa respuesta fue un GO para una beta. Este artículo explica por qué fue un GO con condiciones.
Déblo Duo es un intérprete en tiempo real. Cada persona habla su idioma y oye a la otra en el suyo, en directo. Se puede compartir un solo teléfono, usar dos teléfonos conectados con un código QR, llamar a alguien a distancia mediante un enlace o presentar ante una sala. Por qué es una aplicación aparte se explica en Por qué existe Déblo Duo. Por debajo, el motor es el modelo de traducción de voz en tiempo real de Google, transportado por nuestra capa de audio en tiempo real.
El conjunto de pruebas que realmente podíamos montar
El plan preveía un pequeño conjunto de grabaciones: una reunión de equipo, un tramo cargado de importes, una conversación que alterna entre francés e inglés y una sala ruidosa. El plan también daba por hecho que encontraríamos a un hablante nativo de inglés para la parte inglesa.
No lo encontramos. Así que Juste grabó los fragmentos él mismo. El francés es suyo. Las frases en inglés del fragmento bilingüe también son suyas, dichas con el acento de alguien que aprendió inglés después del francés. Dio una instrucción más: «Ne fais pas trop attention aux détails» (no te fijes demasiado en los detalles). El módulo saldría como beta, señalado así en la aplicación, y no íbamos a pulir un benchmark durante una semana.
Esa instrucción tenía un coste, y lo anotamos. Nuestra herramienta de alineación, que divide una grabación en enunciados según la energía de la señal, cortaba las frases en cada pausa de lectura: 27 segmentos para 14 enunciados en el primer fragmento. Las métricas por enunciado, como la latencia final o los fallos, dejaron de ser fiables, porque cada cifra se atribuía a la frase equivocada. No corregimos los límites a mano. En su lugar leímos las transcripciones completas, línea por línea, contra lo que Juste había dicho. El fragmento de la sala ruidosa se descartó en esta fase, porque dependía del fragmento bilingüe alineado como referencia.
Tres fragmentos pasaron por el motor el 21 de octubre, entre las 12:48 y las 12:55 UTC: 142 segundos, 114 segundos y 70 segundos. Cero errores de conexión.
Fragmento 1: una reunión de equipo en francés marfileño
El primer fragmento era una reunión de equipo de 142 segundos en francés marfileño. La traducción al inglés fue completa y fiel de principio a fin. Pasaron todas las cifras: 1200, 1500 francos CFA, 300 alumnos, 600.000, 2 millones, 40 minutos, 80.000 visualizaciones, 2 minutos.
La latencia era la que queríamos ver. En la mediana, el audio traducido empezaba unos 1,7 segundos antes de que el hablante terminara la frase. Esa es la propiedad que hace que Duo se sienta como un intérprete y no como una aplicación de traducción: nadie espera al punto final.
Ningún fallo.
Fragmento 5: las cifras
El fragmento de 70 segundos estaba hecho para doler. Contenía 17 elementos: importes, porcentajes, fechas o una palabra que ya habíamos visto fallar. Puntuamos cada uno dos veces: una en la transcripción de origen (lo que el motor oyó en francés) y otra en la traducción hablada (lo que el oyente oyó en inglés).
Transcripción de origen: 16 de 17 correctos. Un 94 %.
Traducción hablada: 14 de 17 correctos. Un 82 %.
Los tres errores de la traducción lo cuentan todo:
- 3.712.500 francos CFA se oyó correctamente y se dijo como "3 million 712,000". Desaparecieron quinientos francos.
- 1850 USD se oyó como "1850 dollars" y se dijo como "1,800 dollars". Desaparecieron cincuenta dólares.
- 419.812 francos CFA se oyó como "419 800 12" y se dijo igual. Ese falló ya en la entrada, y la traducción repitió fielmente la división errónea.
Dos de los tres no son errores de escucha. El motor entendió el número y lo redondeó al salir. En una charla informal, eso es ruido. En una negociación entre un comprador y un proveedor, es otro precio.
Algunas observaciones más del mismo fragmento. 640 euros salió como "6 40 euros": legible, pero ambiguo. «Livraison», que nuestras pruebas anteriores con voz sintética habían fallado las tres veces, pasó con la voz real de Juste. «Bouaké» se oyó como «bois». El nombre de la ciudad se perdió.
La regla de producto que salió de ahí
La diferencia entre el 94 % y el 82 % se convirtió en una regla que no hemos relajado desde entonces: las cifras que se muestran en pantalla salen de la transcripción de origen, nunca de la traducción.
La traducción hablada se queda como está. No podemos hacer que la voz deje de redondear, y no fingimos que la voz sea una referencia. Lo que sí controlamos es lo que el usuario lee. Cuando aparece un importe, un porcentaje o una fecha en la conversación, Duo lo resalta a partir de lo que el hablante dijo realmente, en su idioma. Si el oyente oye "1,800 dollars" y la pantalla dice 1850, hay que fiarse de la pantalla.
Se implementó el mismo día, para francés, inglés y chino. También es la razón por la que la descripción pública de Duo promete «un informe con las cifras copiadas exactamente». La promesa es estrecha a propósito. Copiadas de la fuente, no traducidas.
La sesión siguiente, que conectó el motor a nuestro puente de llamadas y reprodujo allí las grabaciones, confirmó que la regla no era opcional. Las transcripciones de origen de los importes seguían siendo frágiles, con divisiones como «1 million 10 10000». Nuestra conclusión en el registro fue tajante: resaltar desde la fuente y no presentar nunca la traducción como una verdad numérica.
La regla tiene un efecto secundario conocido. Los números de teléfono se resaltan como si fueran importes. Está apuntado, y es un fallo mejor que un precio equivocado.
Fragmento 3: un micrófono, dos idiomas, un acento
El fragmento bilingüe eran 114 segundos de Juste solo, alternando entre francés e inglés. El sentido pasó en ambas direcciones: un presupuesto de 25.000 dólares, 15 millones, 10.000 euros, 33 %, marzo, enero en Acra.
Pero hubo siete fallos. Cuando el motor oía inglés pronunciado con acento francés en un solo micrófono, la sesión que debía producir inglés a veces repetía el inglés en lugar de quedarse en silencio. "Yes, that works for me" y "15 million, right?" volvieron como ecos de sí mismos. Algunas frases en inglés también se perdieron del lado francés.
Es un riesgo estructural del modo de un solo teléfono, donde las dos personas comparten un micrófono y el sistema tiene que decidir, en cada frase, qué idioma está oyendo. El modo remoto no tiene ese problema. Cada persona tiene su propio micrófono y el idioma de origen de cada flujo se conoce de antemano. No hay nada que adivinar.
Las pruebas en el puente durante esa sesión siguiente lo dejaron aún más claro. En intercambios rápidos en modo de un solo teléfono, cada sesión de traducción transcribía los dos idiomas en el mismo segmento, lo que duplicaba líneas de origen. El audio estaba a salvo; la transcripción no era presentable.
Así que decidimos sobre la demo antes de decidir sobre el producto: la demo para inversores se hace en modo remoto. El modo de un solo teléfono sigue en la aplicación. Es el que se usa en un taxi o en la recepción de un hotel, y desde entonces se ha rehecho en torno al push-to-talk. Pero no íbamos a enseñar a los inversores el modo que falla con el acento de su fundador.
El veredicto
El GO cabía en cuatro líneas.
- Latencia: se mantiene. La traducción empieza antes de que termine la frase.
- Fidelidad: buena en habla continua. Importes correctos en un 82 % en la traducción hablada y en un 94 % en la transcripción de origen. De ahí la regla de pantalla.
- Enrutamiento: fiable en modo remoto, frágil en modo de un solo teléfono con acento. La demo se hace en modo remoto.
- Bucle acústico: no demostrado. Lo que pasa cuando el altavoz de un teléfono reproduce la traducción hacia su propio micrófono no se podía probar con grabaciones. Se convirtió en el primer criterio de aceptación de la fase siguiente.
Dos puntos quedaron explícitamente abiertos ese día: la prueba de eco con altavoz en dispositivos Android y iPhone reales, que necesitaba el puente de llamadas que aún no habíamos construido, y el coste real por minuto, que necesitaba una lectura de la consola de facturación.
Esa misma tarde se construyeron el puente, el backend y las páginas web de anfitrión e invitado. A las 16:52 UTC se hizo la primera llamada real: Juste en un portátil en francés, un invitado en un teléfono en inglés, en la misma sala. Su veredicto: «ça marche cinq sur cinq» (funciona a la perfección). La traducción siguió el ritmo incluso cuando él hablaba más despacio. Esa misma llamada nos mostró también el siguiente problema. El micrófono del teléfono del invitado captaba directamente la voz de Juste en francés, y la primera línea atribuida al invitado estaba en francés. La cancelación de eco de un navegador solo elimina lo que reproduce su propio dispositivo. No hace nada contra una voz en la sala ni contra el altavoz de otro dispositivo. Eso volvería.
Lo que cambió y lo que sigue abierto
Una prueba con la voz del fundador no es un benchmark. Tiene un solo hablante, un solo acento, nada de inglés nativo y tres fragmentos. Lo sabíamos al firmar el GO, y lo firmamos de todos modos, porque respondía a la pregunta que de verdad teníamos: ¿aguantará con las voces que tendremos en la primera demo? Aguantó, con dos excepciones que sabíamos nombrar con precisión.
Las excepciones dieron forma al producto más que los aciertos. Las cifras en pantalla salen de la fuente. La demo se hace en el modo en que cada persona tiene su propio micrófono. Ninguna de esas decisiones habría salido del audio de muestra de un proveedor, grabado por hablantes nativos en salas silenciosas y que nunca dice 3.712.500.
Sigue abierto: una prueba de verdad con un hablante chino antes de grabar el par francés-chino, ya que una voz sintética ya había hecho fallar un importe; el fragmento de la sala ruidosa; y una prueba con un hablante nativo de inglés, que todavía nos debemos.