Respuesta corta: cuando una app de idiomas puntúa tu pronunciación, un modelo de reconocimiento de voz averigua primero qué sonidos produjiste y cuándo, y después compara cada sonido con lo que un modelo de habla nativa espera para esa palabra. El resultado suelen ser varias puntuaciones: precisión (lo cerca que está cada sonido de la referencia), fluidez (pausas y cortes), completitud (cuánto del texto dijiste) y a veces prosodia (acento, entonación y ritmo). Son útiles para localizar sonidos concretos que corregir, pero miden la distancia respecto a un acento de referencia, no si la gente te entiende. Léelas como tendencias y pistas por palabra, no como una nota de tu nivel.
Cómo funciona la puntuación de pronunciación, paso a paso
- Grabación. La app capta tu audio. El ruido de fondo y un micrófono malo ya afectan a todo lo que sigue.
- Reconocimiento y alineación. Un modelo de reconocimiento convierte el audio en sonidos probables (fonemas) y los alinea en el tiempo con las palabras que debías decir. En la práctica libre no hay texto de referencia, así que el modelo primero adivina lo que querías decir.
- Comparación. Para cada fonema, el sistema estima la probabilidad de que produjeras el sonido esperado y no otro. La idea viene de la medida "Goodness of Pronunciation" descrita por Witt y Young (2000); los sistemas modernos usan la misma lógica con redes neuronales.
- Agregación. Las puntuaciones por fonema se combinan en puntuaciones de palabra, frase y total, y la información temporal se convierte en una puntuación de fluidez.
Los reconocedores generales, como Whisper de OpenAI, están entrenados para transcribir con robustez, es decir, para tolerar acentos. Eso es bueno para entender a quien aprende, pero no para evaluarlo, y por eso la puntuación necesita un paso de comparación aparte.
Qué mide cada puntuación de pronunciación
La evaluación de pronunciación de Azure de Microsoft, un servicio que se usa para crear funciones de aprendizaje de idiomas, documenta sus puntuaciones públicamente. Es una buena referencia de lo que muestran la mayoría de apps, aunque cambien los nombres.
| Puntuación | Qué mide (definición de Microsoft) | Nivel |
|---|---|---|
| Precisión | Lo cerca que están los fonemas de la pronunciación de un hablante nativo | Fonema, palabra y texto completo |
| Fluidez | Lo cerca que está tu uso de pausas entre palabras del de un hablante nativo | Texto completo |
| Completitud | La proporción de palabras pronunciadas respecto al texto de referencia | Texto completo (solo con guion) |
| Prosodia | Lo natural que suena el habla: acento, entonación, velocidad y ritmo | Texto completo |
| Total | Una combinación ponderada de las anteriores | Texto completo |
Las puntuaciones van de 0 a 100 (o de 0 a 5). La documentación de Microsoft, consultada el 10 de noviembre de 2026, indica además que la evaluación de prosodia solo está disponible para inglés de EE. UU., una de las razones por las que el feedback de prosodia es más raro en otros idiomas.
Lo que las puntuaciones no te dicen
Tener acento no es lo mismo que no ser entendido
La investigación sobre el habla en segundas lenguas distingue tres cosas: el grado de acento (lo distinto que suenas), la comprensibilidad (lo fácil que es entenderte) y la inteligibilidad (cuánto entienden realmente los oyentes). En un estudio clásico, Munro y Derwing (1995) observaron que un acento extranjero marcado no hace necesariamente el habla menos inteligible. Una puntuación que mide la distancia a un modelo nativo refleja sobre todo el acento, así que un "70" puede ser perfectamente claro para oyentes reales.
El acento de referencia es una elección
"Pronunciación nativa" en un modelo suele significar una sola variedad, como el inglés de EE. UU. o el español peninsular. Si aprendes otra variedad, sonidos correctos pueden marcarse como errores.
Los reconocedores no son igual de precisos con todos
El reconocimiento de voz sigue cometiendo más errores con algunos grupos de hablantes. Un estudio en PNAS (Koenecke et al., 2020) halló que cinco sistemas comerciales tenían una tasa media de error por palabra de 0,35 con hablantes negros frente a 0,19 con hablantes blancos. Algunos acentos de estudiantes pueden salir penalizados por la misma razón.
Las frases cortas dan puntuaciones inestables
Una palabra o una frase corta aportan muy poca información al modelo, así que la puntuación puede variar entre intentos aunque lo digas igual.
Cómo usar las puntuaciones sin frustrarte
| En lugar de... | Haz esto |
|---|---|
| Perseguir un 100 en una frase | Sigue tu media semanal en muchas frases |
| Mirar solo la puntuación total | Abre la vista por palabra o sonido y busca el sonido que falla una y otra vez |
| Repetir la misma frase 20 veces | Corrige un sonido y úsalo en frases nuevas |
| Tomar la puntuación como tu nivel | Comprueba si te entienden: ¿te entiende a la primera una persona o un asistente de voz? |
| Practicar en una sala ruidosa | Usa auriculares con micrófono en un lugar tranquilo |
La pronunciación también mejora escuchando. El shadowing (repetir audio nativo en tiempo real) entrena el ritmo y el acento, que las puntuaciones por palabra rara vez captan.
Elegir una app según lo que mide
Las apps difieren en cuánto de esto muestran. Las especialistas en pronunciación, como ELSA Speak, se centran en puntuaciones por sonido (ver nuestro análisis de ELSA Speak). Las tutoras de conversación se centran más en la fluidez al hablar libremente: Enverson AI, por ejemplo, muestra mediciones separadas de vocabulario, gramática, ritmo, fluidez y muletillas tras una sesión de Free Talk. Si a menudo te piden que repitas, empieza por una herramienta por sonido; si te entienden pero hablas despacio, prioriza la fluidez. Nuestra metodología explica cómo probamos el reconocimiento de voz al analizar apps.
Preguntas frecuentes
¿Cómo puntúan la pronunciación las apps de idiomas?
Usan reconocimiento de voz para identificar los sonidos que produces, alinearlos con las palabras que debías decir y comparar cada sonido con un modelo de habla nativa. Las comparaciones se combinan en puntuaciones de precisión, fluidez, completitud y a veces prosodia.
¿Por qué cambia mi puntuación cada vez?
Las frases cortas dan poca información al modelo, y pequeñas diferencias de ruido, distancia al micrófono o ritmo cambian el resultado. Mira la media de muchas frases y no intentos sueltos.
¿Una puntuación baja significa que no me entienden?
No necesariamente. Las puntuaciones miden la distancia a un acento de referencia. La investigación muestra que un acento notable no siempre reduce lo bien que te entienden.
¿Qué es una puntuación de prosodia?
La prosodia abarca el acento, la entonación, la velocidad y el ritmo. La evaluación de pronunciación de Microsoft, por ejemplo, solo ofrece prosodia para inglés de EE. UU.
¿El feedback de pronunciación con IA es preciso con todos los acentos?
Ningún sistema es igual de preciso con todos los hablantes. Los estudios han encontrado tasas de error más altas para algunos grupos, así que toma las puntuaciones como pistas y contrástalas con oyentes reales.
Fuentes
- Microsoft Learn: Use pronunciation assessment (consultado el 10 de noviembre de 2026)
- Witt y Young (2000), Phone-level pronunciation scoring and assessment for interactive language learning, Speech Communication
- Munro y Derwing (1995), Foreign accent, comprehensibility, and intelligibility, Language Learning
- Koenecke et al. (2020), Racial disparities in automated speech recognition, PNAS