Hola, aquí Sonetho. ⚡
"Para el coreano, el reconocimiento de voz de Naver es mejor, ¿no?"
Se dice mucho, pero casi nadie lo ha medido de verdad.
Así que lo medimos nosotros.
Metimos los mismos 8 audios en coreano en tres motores y comparamos el resultado carácter a carácter con el guion original.
📊 Resumen de resultados (tasa de error de caracteres CER, menor es mejor)
| Categoría | CLOVA CSR | Scribe v1 | Scribe v2 |
|---|---|---|---|
| Diálogo emocional | 3.2% | 1.1% | 1.1% |
| Lectura estilo noticiero | 0~0.8% | 0~0.8% | 0~0.8% |
| Mezcla de inglés y números | 36.9~37.7% | 8.5~13.8% | 8.5~20.8% |
| Consistencia en textos largos | 1.7~7.3% | 0% | 0% |
| Promedio | 11.4% | 3.2% | 4.0% |
Primero, algo a favor de CLOVA.
En coreano puro, CSR también roza la nota perfecta.
En la lectura estilo noticiero, los tres motores empataron con cifras en la franja del 0%.
Si solo necesitas ese escenario, cualquiera te sirve.
💥 La batalla se decidió en la mezcla con inglés
En cuanto aparecen marcas y números dentro de frases en coreano, la brecha se dispara.
Copiamos tal cual algunas salidas reales de CSR.
| Texto correcto | Salida de CLOVA CSR |
|---|---|
| ChatGPT | "채취 pt" (sílabas coreanas sin sentido más "pt") |
| Gemini | "나재민이", "개 미니" (suena a nombre coreano; "mini perro") |
| 일레븐랩스 (ElevenLabs en coreano) | "11 x" |
| 약 15달러 수준 ("unos 15 dólares" en coreano) | "약 시부터 여수 중" (secuencia coreana sin sentido) |
Si trabajas con subtítulos de YouTube, contenido tech o actas de reuniones de hoy en día, donde el inglés se cuela constantemente, esa diferencia se convierte directamente en horas de corrección.
Scribe conservó intactos ChatGPT, Gemini y API en esos mismos tramos.
🧐 Scribe tampoco fue perfecto
Siendo honestos, publicamos también los fallos de Scribe.
Flaquea con nombres propios que ve por primera vez.
Escribió "sonetho.com" como "sonto.com" y, en una muestra, entendió "11 dólares" como "1 dólar".
Si los números tocan dinero, la revisión es obligatoria con cualquier motor.
La diferencia entre v1 y v2 también dio que hablar.
v2 normaliza la escritura por su cuenta: "22 dólares" pasa a "$22".
Con nuestro método de puntuación (CER) cuenta como error, pero el significado es correcto.
Si te importa la forma literal, v1; si buscas subtítulos y documentos fáciles de leer, v2.
v2 además tiene versión de streaming en tiempo real.
💰 ¿Y los precios?
ElevenLabs Scribe: $0.22 por hora (en modo batch).
El plan gratuito ya incluye 4.5 horas al mes.
El Starter de $6 incluye 27 horas y el Creator de $22, 100 horas, así que la mayoría de los proyectos personales caben dentro del plan.
CLOVA Speech Recognition (CSR): pago por uso, facturado en bloques de 15 segundos redondeados hacia arriba.
Consulta la tarifa exacta en la calculadora de precios de Naver Cloud.
Ojo: CSR es una API para locuciones cortas y tiene un límite de 60 segundos.
Para grabaciones largas y separación de hablantes necesitas otro producto, CLOVA Speech.
🤔 Entonces, ¿cuál elijo?
CLOVA CSR encaja si
Procesas locuciones cortas casi 100% en coreano.
Tu proyecto exige infraestructura cloud en Corea.
Tu equipo ya vive en el ecosistema de Naver Cloud.
ElevenLabs Scribe encaja si
Haces subtítulos o actas de contenido que mezcla inglés y coreano.
Trabajas con audio de IT o marketing lleno de nombres de marca.
Con las 4.5 horas gratis puedes comprobar la calidad tú mismo antes de decidir.
Probar ElevenLabs Scribe gratis →
🧪 Metodología (reproducible)
Sintetizamos guiones de 4 categorías (diálogo emocional, estilo noticiero, mezcla de inglés y números, texto largo) con dos TTS de alta calidad (Ara Pro de CLOVA y Hyuk de ElevenLabs) para crear 8 audios.
Cada audio pasó por los tres motores y se comparó carácter a carácter con el guion original (CER).
También contamos las limitaciones.
La entrada es voz sintética sin ruido, condiciones ideales, así que con voces humanas reales o entornos ruidosos las cifras pueden variar.
Algunos errores podrían venir de la propia pronunciación del TTS.
❓ Preguntas frecuentes (FAQ)
Q. ¿Cuál es el STT más preciso para coreano?
En esta medición, Scribe v1 tuvo la tasa media de error de caracteres más baja: 3.2%.
Eso sí, en coreano puro y formal CLOVA CSR empata en la franja del 0%, así que el criterio real es si tu audio mezcla inglés.
Q. ¿En qué se diferencian CLOVA Speech Recognition (CSR) y CLOVA Speech?
CSR es una API para locuciones cortas de hasta 60 segundos; CLOVA Speech es un producto aparte que admite grabaciones largas y separación de hablantes.
Este test se hizo con CSR.
Q. ¿Scribe v1 o v2?
Si necesitas conservar la forma literal del texto, v1; si buscas una salida legible que normaliza por sí sola cosas como los símbolos de moneda, v2.
v2 también admite streaming en tiempo real ($0.39 por hora).
La parte práctica de transcripción de entrevistas y separación de hablantes continúa en la comparativa de STT: ElevenLabs vs Whisper vs Deepgram.
Nos vemos en el próximo artículo. Aquí Sonetho. ⚡