Glosso: lo que aprendí construyendo una app que escucha cómo pronuncias

Glosso es una app de Android para aprender idiomas centrada en la pronunciación. Grabas una frase y, en lugar de decirte solo si “has acertado”, te dice qué sonidos te han salido bien, cuál se ha desviado y dónde está el problema.

Está publicada en Google Play. Tiene unas 130 descargas y unos 30 usuarios al mes. No son cifras para presumir, pero sí son personas reales usando algo que empezó como un experimento mío, y eso cambia bastante la forma de trabajar. De eso va este artículo: qué es Glosso, por qué lo hice, qué funciona, qué no del todo y qué he aprendido por el camino.

El problema: entender no es lo mismo que pronunciar

Casi todo el mundo que estudia un idioma acaba en el mismo sitio: lee bien, entiende bastante, y al hablar le sale un acento que no sabe corregir. No porque no quiera, sino porque no sabe qué está haciendo mal.

La pronunciación es difícil de aprender por varias razones:

• No te oyes como te oyen los demás. Tu oído está entrenado en tu lengua materna y tiende a “corregir” lo que dices para que encaje en los sonidos que ya conoces. Si en tu idioma no existe la diferencia entre dos sonidos, es muy probable que tampoco la oigas en el otro.
• El fallo suele estar en un solo sonido. Una palabra puede estar casi bien y aun así sonar extraña por una única consonante o una vocal demasiado corta. Saber que “algo” falla no sirve de mucho si no sabes qué.
• El feedback humano es caro. Un profesor que te escuche y te diga “esa /θ/ te sale como /t/” es lo ideal, pero no siempre está disponible, y menos para practicar diez minutos al día.

Por qué no bastaba con reproducir audio o comprobar palabras

Muchas apps de idiomas tratan la pronunciación de dos maneras. O te ponen un audio para que lo repitas, sin escucharte, o pasan tu voz por un reconocedor de voz y miran si las palabras coinciden con las esperadas.

La segunda opción parece que mide la pronunciación, pero en realidad mide otra cosa: si una máquina ha entendido la palabra. Y los reconocedores de voz están hechos precisamente para entender aunque pronuncies mal. Si dices “tink” en lugar de “think”, lo más probable es que lo dé por bueno, porque por contexto la palabra es obvia. Para dictar un mensaje eso es una virtud. Para aprender a pronunciar es justo lo contrario de lo que necesitas.

Lo que yo quería era otra cosa: comparar lo que dices con lo que se esperaba sonido a sonido, y devolverte algo útil: este sonido bien, este casi, este no, y cuál era el que tocaba.

Cómo lo hace, sin entrar en el detalle

A grandes rasgos, el proceso tiene tres partes:

1. Qué se esperaba. Para cada frase, Glosso sabe qué sonidos debería contener, en notación fonética.
2. Qué se ha oído. Un modelo acústico de reconocimiento de voz analiza tu grabación, pero no para sacar palabras, sino los sonidos que realmente has producido.
3. La comparación. El motor alinea las dos secuencias y decide, para cada sonido, si está bien, si se ha acercado o si se ha perdido. Con eso arma el resultado que ves: la nota de la frase, las palabras marcadas y la nota de cada sonido.

Hay bastante más trabajo dentro de cada paso, y es justo la parte que no voy a detallar aquí, porque es donde está casi todo el esfuerzo del proyecto. Lo que sí puedo contar es una decisión de diseño que me parece importante: si la grabación no se puede juzgar (silencio, mucho ruido, volumen demasiado bajo), Glosso te dice que no la ha podido evaluar, en lugar de ponerte un cero. Un cero por un micrófono malo te enseña algo falso sobre tu pronunciación.

Y la otra: la nota no es lo importante. Lo que intento que te lleves de cada intento es qué sonido falla y en qué palabra. Con el tiempo, la app sigue esos sonidos, te propone práctica con los que peor llevas y te enseña si mejoran.

Privacidad: dónde se procesa tu voz

Aquí quiero ser preciso, porque es fácil decir “privacidad” y quedarse tan ancho.

• Por defecto, la puntuación se hace en mi servidor. La grabación viaja por HTTPS, se puntúa en memoria y se descarta en cuanto termina la petición. No se guarda, no se vende y no se usa para entrenar modelos.
• Si prefieres que tu voz no salga del móvil, en Ajustes puedes descargar un modelo que hace la puntuación en el propio teléfono. Es una descarga grande, de unos 342 MB, pero a partir de ahí funciona sin conexión. El motor que corre en el móvil es el mismo que corre en el servidor, así que la nota debería ser la misma por las dos vías.
• No hay publicidad ni SDKs de seguimiento de terceros, y no hace falta crear una cuenta para usar la app. El progreso se queda en el dispositivo.
• Sí hay estadísticas de uso propias. La app envía a mi servidor eventos de uso (qué pantallas se abren, si se termina una lección, si algo falla) ligados a un identificador aleatorio de instalación, no a tu nombre ni a tu correo. Están activadas por defecto, se avisa de ello al empezar y se pueden desactivar y borrar desde Ajustes.

Esto último lo cuento porque es lo honesto: cuando tienes 30 usuarios, saber si alguien termina una lección o se va a mitad es la única forma de enterarte de que algo no funciona. Pero me obligué a que fuera de primera mano, con lo mínimo, y explicado en la política de privacidad.

Lo que he aprendido construyendo y publicando Glosso

Glosso empezó como un prototipo personal: quería saber si se podía medir la pronunciación de una forma más útil que “bien” o “mal”. De ahí pasó a ser una app, y de ahí a una app publicada. Cada uno de esos saltos me enseñó cosas distintas.

Que funcione en tu máquina no significa nada. El motor me daba buenos resultados con mis grabaciones mucho antes de dárselos a otras personas. Micrófonos distintos, ruido de fondo, gente que habla bajito o que deja un silencio largo antes de empezar: cada uno de esos casos rompía algo.

Hay que medir con una sola vara. Durante un tiempo tuve varias formas de medir si el motor mejoraba, y cada una contaba una historia distinta. Al final me quedé con un único banco de pruebas, con un criterio sencillo: un hablante nativo debería sacar una nota muy alta. Todavía no siempre la saca, y es uno de los problemas abiertos. Prefiero saberlo con un número reproducible que fiarme de la impresión.

Publicar es otro trabajo. Subir una app a Google Play no es solo compilar. Hay política de privacidad, formulario de seguridad de datos, capturas, textos en varios idiomas, revisiones… Y todo tiene que ser coherente entre sí. Me pasó, por ejemplo, que un texto de la app describía las estadísticas como “anónimas” cuando en realidad están ligadas a un identificador aleatorio; eso es seudónimo, no anónimo. Lo corregí antes de publicar esa versión, pero me sirvió para entender que cada frase que escribes sobre privacidad es una promesa.

Los detalles visuales importan más de lo que creía. Una pantalla que se ve bien en el emulador puede cortarse en el móvil de un usuario. Ahora pruebo siempre con la misma densidad de pantalla que un teléfono real y comparo capturas antes de dar nada por bueno.

Tener usuarios reales, aunque sean pocos

30 usuarios al mes no es mucho. Pero son 30 personas que han decidido dedicar unos minutos de su día a algo que hice yo, y eso pesa.

Cambia la forma de trabajar. Antes podía romper cosas sin consecuencias; ahora un cambio en cómo se guardan los datos tiene que conservar el progreso de alguien que lleva semanas practicando. Antes podía cambiar la nota de un día para otro; ahora, si la puntuación se mueve, alguien que ayer sacaba 80 hoy saca 70 sin haber hecho nada distinto, y eso es injusto.

También te baja los pies a tierra. Con pocos usuarios no hay estadística que valga para casi nada fino. Lo que sí ves con claridad son los fallos gordos: una lección que casi nadie termina, una pantalla donde la gente se queda atascada, un error que se repite.

Por qué ahora toca mantener y no añadir

Durante meses el proyecto creció a base de funcionalidades: lecciones, diálogos, historias, ejercicios, un perfil de sonidos, descargas sin conexión, más idiomas en la interfaz. Llegó un punto en que añadir cosas era más fácil que hacer que las que ya había funcionaran perfectamente.

Ahora Glosso está en una fase estable, y la decisión es deliberada: no voy a seguir añadiendo funcionalidades por añadir. El trabajo se centra en dos cosas:

• Mejorar el motor de pronunciación, que es el corazón del producto. Que la nota sea más justa, que se equivoque menos con hablantes nativos y que el feedback sea más claro.
• Añadir idiomas. Empecé por el inglés, con referencia de acento británico y después también americano, y ya hay un curso inicial de ruso. Cada idioma nuevo no es solo traducir: hay que preparar el contenido, el audio de referencia y la descripción de sus sonidos.

Lo que sí sigo haciendo es arreglar lo que encuentro, y cuidar que cada versión nueva sea al menos tan buena como la anterior.

Hacia dónde puede ir

No quiero prometer fechas, pero sí puedo contar la dirección:

• Más idiomas, uno a uno y bien hechos, mejor que muchos a medias.
• Un motor mejor, medido siempre con el mismo banco de pruebas, para que cada mejora sea una mejora de verdad y no una impresión.
• Que la opción sin conexión sea más ligera, para que más gente pueda puntuar en su propio móvil sin descargar cientos de megas.

Glosso empezó con una pregunta sencilla: ¿se puede ayudar a alguien a pronunciar mejor diciéndole exactamente qué sonido falla? Después de construirlo, publicarlo y verlo usado por personas reales, mi respuesta es que sí, con matices. Funciona mejor de lo que esperaba en algunas cosas y peor en otras, y la mayor parte del trabajo que queda está en esos matices.

Si quieres probarlo, está en glossostudio.com. Y si lo pruebas y algo no te convence, me interesa mucho saberlo.