El code-switching es el habla normal de las personas bilingües. Para el software que espera un solo idioma por entrada, es una fuente habitual de errores.
Cómo funciona
Solorio et al. (2014), en la primera tarea compartida sobre datos con code-switching, lo definen en sentido amplio como un acto comunicativo, “spoken or written, where two or more languages are being used interchangeably” (traducción: oral o escrito, en el que se usan dos o más idiomas de forma intercambiable). Su tarea etiquetó cada palabra de publicaciones de Twitter con su idioma en cuatro pares: árabe estándar moderno-árabe dialectal, mandarín-inglés, nepalí-inglés y español-inglés. Siete equipos enviaron 42 ejecuciones. La identificación por palabra fue más difícil entre el árabe estándar moderno y el dialecto, porque están muy emparentados, y más fácil en español-inglés y nepalí-inglés.
Los usuarios árabes alternan de varias maneras a la vez:
- Dialecto y árabe estándar. El artículo de MADAR señala que, en contextos no guionizados en los que se espera árabe estándar, como los programas de entrevistas en televisión, los hablantes alternan repetidamente entre su dialecto y el árabe estándar.
- Árabe e inglés o francés. Darwish (2014) observa que muchos hablantes de árabe son bilingües y mezclan inglés o francés con el árabe dentro de las frases.
- Sistemas de escritura. Los mensajes escritos pueden mezclar escritura árabe, escritura latina y arabizi en una sola línea.
Un mensaje típico de chat del Golfo mezcla todo esto:
عندي meeting بكرة الساعة 3، can we move it?
("I have a meeting tomorrow at 3, can we move it?")
Las palabras árabes son dialectales, «meeting» es inglés dentro de una cláusula en árabe y la frase termina en inglés. Un detector de idioma, un tokenizador y un modelo de voz tienen que lidiar cada uno con ese cambio.
Por qué importa
- Voz a texto. Una solicitud de transcripción suele aceptar un solo
language. Un nombre de producto en inglés dentro de habla árabe puede salir en escritura árabe, en escritura latina o mal entendido. Acuerde una convención y calcule la tasa de error por palabra según ella, o contará diferencias de estilo como errores. - Enrutamiento y búsqueda. Un detector de idioma que elige una etiqueta por mensaje etiquetará mal los mensajes mixtos, y las intenciones en árabe pueden acabar en el flujo en inglés.
- Prompts de LLM. Indique al modelo que la entrada puede mezclar idiomas y en qué idioma debe responder. Si no, puede imitar el último idioma que apareció.
En BroadNet Inference
La documentación de BroadNet indica enviar siempre language en la transcripción, ar para árabe y en para inglés, y advierte que sin él el árabe puede transliterarse a letras latinas. No documenta un ajuste para idiomas mezclados. Para habla árabe con palabras en inglés, envíe language=ar a BroadNet Transcribe Arabic y pruebe con grabaciones reales; el artículo sobre reconocimiento de voz en dialectos explica cómo armar ese conjunto de prueba. Para texto mezclado en el chat, Qwen3.8 27B es el modelo que BroadNet informa haber probado con dialectos árabes.