Los subtítulos automáticos de YouTube y los errores de traducción: How to make paella, by Gordon Ramsay

Abstract

Los avances en la inteligencia artificial y, más específicamente, en el procesamiento del lenguaje natural de los que hemos sido testigos en los últimos años han posibilitado el perfeccionamiento de los sistemas de reconocimiento de voz a texto, así como de los sistemas de traducción automática neuronal. Las plataformas de contenido multimedia no han sido ajenas a esta revolución tecnológica y han integrado los mencionados avances con una nueva funcionalidad, los subtítulos automáticos. Además, estos subtítulos automáticos (live captions en inglés) pueden seleccionarse en distintas lenguas gracias a la integración de sistemas de traducción automática, lo que hace posible que el usuario obtenga subtítulos en su lengua materna. En consecuencia, las plataformas de contenido multimedia ofrecen subtítulostraducidos cuya calidad tiende a asemejarse cada vez más al producto ejecutado por un profesional. No obstante, consideramos que todavía queda mucho camino para alcanzar una calidad similar a la del producto elaborado por profesionales de las industrias de la lengua. En este contexto, pretendemos verificar si los subtítulos automáticos traducidos del inglés al español ofrecidos por la plataforma YouTube ofrecen una calidad similar a la humana. Para realizar la comprobación hemos desarrollado una metodología de análisis en la que, en primer lugar, acotamos la muestra de selección en este trabajo al vídeo titulado How to make paella de Gordon Ramsey y, a continuación, delimitamos los parámetros de análisis a una adaptación de la clasificación de errores adaptada de la métrica MQM siguiendo un procedimiento similar al empleado por Ortiz (2016), que agrupa los mencionados errores en dos categorías: pre-cisión y fluidez. Los resultados que se desprendan del análisis nos permitirán verificar si los errores detectados están relacionados con el trasvase interlingüístico de los términos agroalimentarios, si los errores se derivan de problemas en el reconocimiento de voz a texto y si predomina alguna categoría de error. Una vez obtenidos los resultados, calcula-remos la distancia de edición o de Levenstein (Sánchez Ramos y Rico Pérez, 2020: 47-50) con la ayuda del software libre Okapi Rainbow y extraeremos las conclusiones.