La IA no debería escribir mal tu idioma

Si tu lengua materna es el árabe, el japonés, el chino, el inglés, el español, el portugués o el alemán, nos gustaría contar contigo. Los modelos de imagen con IA ya escriben texto en todos estos idiomas, y pocas personas que los lean de verdad están comprobando el resultado. Publicamos cada imagen y cada valoración en un conjunto de datos abierto, y necesitamos hablantes nativos que nos digan cuáles están bien.

Un lote son unas 30 imágenes y lleva unos 10 minutos. Tus respuestas entran en el conjunto de datos con el nombre que elijas. Para participar, escríbenos a [email protected] y dinos cuál es tu lengua materna.

En qué se equivoca la IA

La IA ya escribe para todo el mundo: carteles, letreros, tarjetas, presentaciones, incluso caligrafía árabe. Pero los modelos de imagen solo han practicado de verdad unos pocos sistemas de escritura. En nuestra prueba de cinco modelos de imagen, todos superaron el 90 % con palabras cortas en inglés, alemán, español, portugués y chino.

Con el árabe se separan. De 57 a 59 primeros intentos cada uno, GPT Image escribió bien 53 palabras, Nano Banana 55, Grok Imagine 42, Seedream 34 de 54 y Qwen-Image 8 de 59. En japonés la diferencia es menor, pero tres de los cinco modelos fallaron igualmente entre 7 y 14 de 59 palabras.

Los errores son pequeños. Un punto en el sitio equivocado, dos letras mal unidas, a un kana le sobra un dakuten (ばくはつ se convierte en ばくばつ). A primera vista, la imagen parece escritura real. Un solo punto puede convertir una palabra árabe en otra distinta, y solo alguien que lea árabe lo verá.

Por qué hace falta un hablante nativo

Cada imagen de nuestra prueba la lee primero una IA revisora, con zoom en árabe, chino y japonés. Después, una persona repasa las que tienen más riesgo de estar mal juzgadas, incluidas todas las imágenes en árabe. Esa persona es una de nosotros, y no somos hablantes nativos de la mayoría de estos idiomas.

En noviembre de 2026, una persona de lengua materna árabe revisó los 291 primeros intentos en árabe de nuestra prueba, en el lote AR-001. Veía la palabra que se había pedido a cada modelo, pero no el nombre del modelo ni nuestro veredicto. Comparado con nuestra propia valoración (la de nuestra persona revisora o, donde nadie la había mirado, la de la IA):

En 41 de estas imágenes, nuestra IA revisora y nosotros no coincidíamos, así que las habíamos dejado fuera de la tabla de precisión. La revisión nativa resolvió 34 de ellas. Donde sí coincidíamos, esa persona cambió 5 de las 243 valoraciones sobre las que no tenía dudas. Donde no tuvo dudas, su valoración es ahora el veredicto.

Las dos imágenes de abajo muestran por qué. Los dos modelos recibieron el mismo prompt de fuente azteca y debían escribir شمس (sol). Aprobamos la primera imagen y suspendimos la segunda. La revisión nativa dijo justo lo contrario.

Un estilo muy recargado lo complica más. En una pintada de pichação, nuestras dos revisiones suspendieron este ليل (noche) de Grok Imagine. La revisión nativa lo dio por correcto.

Una IA que lee mal el árabe y una persona que no lo tiene como lengua materna cometen el mismo tipo de error: juzgan las formas, no la palabra. Quien lo lee de nacimiento juzga la palabra. Lo mismo vale para todos los demás idiomas de la lista.

Para qué sirve tu revisión

Probamos un sistema de escritura cada vez y publicamos cada imagen y cada valoración en el conjunto de datos de renderizado de texto de AIFont en GitHub, también archivado en Zenodo, bajo CC BY 4.0. Cada registro guarda por separado la valoración de cada revisor, para que cualquiera pueda sopesarlas. La tabla de precisión se recalcula a partir del conjunto de datos.

Quienes crean los modelos rara vez detectan estos errores por sí mismos. Un registro público de qué modelo escribió mal qué palabra, comprobado por personas que leen el idioma, les da pruebas que pueden ver, no pueden ignorar y pueden corregir.

Cada valoración tuya habla por todos los que comparten tu idioma. Entra con el crédito que elijas: tu nombre real, un seudónimo o de forma anónima.

Cómo funciona un lote de revisión

• Un idioma por lote, unas 30 imágenes, unos 10 minutos. En AR-001, la persona que revisó dedicó 11 segundos por imagen de media.
• En cada imagen ves la palabra que se pidió escribir al modelo. Respondes tres cosas: si está bien escrita; si no, qué falla y qué dice realmente la imagen; si el texto es una palabra real.
• El nombre del modelo y los veredictos anteriores están ocultos, para que tu valoración sea independiente.
• Las respuestas se guardan como borrador sobre la marcha. Nada cuenta hasta que firmas y envías el lote.
• Varias personas pueden revisar el mismo lote por separado, para contrastar las respuestas entre sí.

Ya hay lotes abiertos en árabe, japonés, chino, inglés, español, portugués y alemán. El árabe es el que tiene más imágenes esperando. Cualquiera puede verlos en aifont.ai/native-review.

Cómo participar

Escríbenos a [email protected] y dinos cuál es tu lengua materna. Te abrimos una cuenta de revisión para ese idioma y puedes tomar cualquier lote abierto en él. Esperamos que lo hagas como una contribución; si necesitas cobrar por tu tiempo, dilo en el mismo correo y lo hablamos.

Por ahora, la revisión es solo por invitación. En el conjunto de datos, «hablante nativo» tiene que significar algo, así que añadimos a cada revisor a mano.

Si no quieres una cuenta, igualmente puedes corregir una sola imagen: abre un issue en el repositorio del conjunto de datos con el id del registro y lo que dice realmente la imagen.

Si conoces a alguien que lea uno de estos idiomas, mándale esta página. Con una sola persona revisora por idioma ya se nota la diferencia.