Let's Talk, Not Type: An Oral-First Multi-Agent Architecture for Guaraní

Esta propuesta presenta una arquitectura multiagente centrada en lo oral para el guaraní que, al priorizar la conversación hablada sobre el texto, busca respetar la soberanía de los datos indígenas y las prácticas lingüísticas vivas mediante un diseño que integra la toma de turnos, la reparación y el contexto compartido.

Lo esencial

🗣️ "Hablemos, no escribamos": Un nuevo sistema para el Guaraní

Imagina que tienes un amigo muy inteligente, pero que solo entiende cuando le hablas en un idioma muy formal, rígido y escrito. Si intentas contarle una historia con tus propias palabras, con pausas, risas o cambiando de tema a mitad de frase, él se confunde, te pide que lo repitas o te da una respuesta que no tiene sentido.

Ese es el problema de la Inteligencia Artificial (IA) hoy en día. Está diseñada pensando en que todos escribimos como en un libro de texto. Pero para millones de personas que hablan Guaraní (el idioma oficial de Paraguay junto con el español), la vida no se vive escribiendo, se vive hablando.

Este artículo propone cambiar las reglas del juego. En lugar de obligar al Guaraní a "vestirse de traje y corbata" (convertirlo a texto) para que la computadora lo entienda, proponen crear una IA que entienda la conversación tal como es: fluida, con interrupciones, con pausas y con mucha cultura.

🏗️ La idea: Un equipo de expertos, no un solo robot

En lugar de tener un solo "cerebro" de IA que intenta hacerlo todo (escuchar, entender, actuar y responder), los autores proponen un equipo de seis especialistas que trabajan juntos, como un grupo de amigos organizando una fiesta. Cada uno tiene una tarea muy clara:

1. El Oído Atento (El que escucha):

   • Analogía: Imagina a un anfitrión que sabe exactamente cuándo alguien ha terminado de hablar y cuándo solo está tomando aire para pensar.
   • Por qué es importante: En Guaraní, a veces hacemos pausas cortas o usamos sonidos específicos (como el puesto) que no significan que hayamos terminado. Un sistema normal te cortaría la palabra a la mitad. Este "Oído" sabe esperar y respetar tu ritmo.

2. El Traductor Cultural (El que entiende):

   • Analogía: No es un diccionario aburrido. Es como un abuelo sabio que conoce los chistes, las palabras mezcladas (Guaraní con español, llamado jopará) y los dichos locales.
   • Su trabajo: Entiende que cuando dices "No me gusta esto", te refieres a la canción que suena ahora, aunque no hayas dicho el nombre de la canción. Entiende el contexto real, no solo las palabras sueltas.

3. El Guardián de la Memoria (El que recuerda):

   • Analogía: Es como el amigo que lleva la cuenta de la conversación. Si hace cinco minutos hablamos de música y ahora dices "cámbiala", él sabe que te refieres a la música, no a la televisión.
   • Su trabajo: Mantiene el hilo de la conversación para que no tengas que repetir todo desde cero cada vez.

4. El Guardián de la Puerta (El que protege):

   • Analogía: Es el dueño de la casa que decide quién entra y qué se puede llevar.
   • Su trabajo: Antes de que la IA haga algo (como grabar tu voz o buscar algo en internet), este agente pregunta: "¿Estás de acuerdo?". Protege la privacidad y asegura que la comunidad guaraní tenga el control de sus propios datos. Nadie puede saltarse esta regla.

5. El Hablante (El que responde):

   • Analogía: No es un robot que dice "Error 404". Es un compañero de charla que responde de forma natural, pidiendo aclaraciones si no entendió algo, en lugar de frustrarse.

6. Los Especialistas (Los que hacen las tareas):

   • Analogía: Son los ayudantes que van a la cocina a buscar la comida o encienden la luz.
   • Su trabajo: Ejecutan tareas específicas (poner música, buscar en internet) solo cuando los otros agentes dicen que es seguro y correcto hacerlo.

🌍 ¿Por qué es esto tan especial para Paraguay?

En Paraguay existe algo llamado diglosia. Imagina que tienes dos "sombreros":

• Un sombrero formal (Español) que usas para trámites, documentos y la escuela.
• Un sombrero cálido (Guaraní) que usas en casa, con amigos y en la vida diaria.

Hasta ahora, la tecnología te obligaba a usar el sombrero formal (leer y escribir en español) incluso si querías hacer algo sencillo. Esto hacía que mucha gente se sintiera excluida o que la tecnología fuera solo un "adorno" y no algo útil.

La propuesta de este artículo es: Crear una tecnología que se ponga el sombrero cálido. Que hable Guaraní tal como lo hablan la gente en la calle, con sus mezclas, sus pausas y sus formas de pedir las cosas.

🛡️ El secreto: La Soberanía de los Datos

Lo más importante de todo es el Guardián de la Puerta. En el pasado, las empresas de tecnología tomaban las voces de las comunidades indígenas, las guardaban y las usaban sin preguntar.

Este nuevo sistema dice: "Tu voz es tuya".

• Si no quieres que graben tu voz, el sistema no la guarda.
• Si quieres borrar lo que dijiste, el sistema lo borra.
• La comunidad decide las reglas, no la empresa tecnológica.

🎯 En resumen

Este papel no solo quiere que la computadora "hable" Guaraní. Quiere que la computadora escuche Guaraní como lo hacen los humanos: con respeto, paciencia y entendiendo el contexto.

Es como pasar de tener un robot que te grita instrucciones a tener un amigo que te entiende, te respeta y te ayuda a hacer las cosas sin que tengas que cambiar quién eres ni cómo hablas. Es tecnología hecha para la gente, no tecnología que obliga a la gente a cambiar.

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Título: Hablemos, no escribamos: Una arquitectura multi-agente oral-primero para el Guaraní

1. El Problema

El artículo identifica una brecha fundamental en el diseño actual de la Inteligencia Artificial (IA) y la Interacción Humano-Computadora (HCI): la predominancia de un enfoque "texto-primero".

• Inadecuación para lenguas orales: Los sistemas actuales suelen tratar la voz como una capa frontal para un pipeline basado en texto (transcribir $\rightarrow$ analizar $\rightarrow$ responder). Esto ignora las estructuras de la conversación humana real, como la toma de turnos, la reparación de errores y el contexto compartido.
• Impacto en lenguas minorizadas: Este diseño falla desproporcionadamente en lenguas de recursos limitados y comunidades indígenas, como el Guaraní en Paraguay.
• Diglosia y carga cognitiva: En Paraguay, existe una situación de diglosia donde el español domina los ámbitos formales y escritos (H), mientras que el Guaraní se usa principalmente en la oralidad y lo informal (L). Los sistemas actuales obligan a los usuarios bilingües a cambiar al español para tareas de configuración, navegación o resolución de errores, imponiendo una carga cognitiva y reforzando la exclusión lingüística.
• Falta de infraestructura conversacional: Incluso cuando existen modelos de reconocimiento de voz, carecen de infraestructura para la gestión de estados de diálogo, estrategias de reparación y mecanismos de consentimiento culturalmente relevantes.

2. Metodología: Arquitectura Multi-Agente Oral-Primero

Los autores proponen un cambio de paradigma: tratar la interacción oral como un requisito de diseño de primera clase, en lugar de adaptar lenguas orales a sistemas centrados en texto. La solución es una Arquitectura Multi-Agente (MAS) que desacopla la comprensión del lenguaje, el estado de la conversación, la ejecución y la gobernanza en seis agentes especializados que cooperan:

1. Agente de Interfaz de Voz (El "Oyente"):
   • Función: Captura de audio y gestión de la "toma de turno" (floor-holding).
   • Innovación técnica: Utiliza detección de actividad de voz (VAD) ajustada a las pausas naturales del Guaraní y evita interrupciones prematuras por glotal stops (puso) que no indican el fin de un turno, respetando el ritmo oral nativo.
2. Agente de Comprensión del Guaraní (El "Intérprete Cultural"):
   • Función: Mapea la entrada hablada (incluyendo Jopará o código-switching) a intenciones abstractas.
   • Enfoque: Entrenado con datos verificados por la comunidad para reconocer variaciones regionales, préstamos lingüísticos y referencias culturales, evitando traducciones sintéticas.
3. Agente de Estado de Conversación (El "Guardián de la Memoria"):
   • Función: Mantiene el contexto compartido a través de múltiples turnos.
   • Capacidad: Resuelve referencias implícitas (anáforas), rastrea acciones completadas y pendientes, y permite diálogos fluidos y coherentes, no solo comandos aislados.
4. Agente de Permisos y Gobernanza (El "Guardián"):
   • Función: Capa soberana separada de la ejecución.
   • Mecanismo: Verifica cada acción contra normas de privacidad definidas por la comunidad y el consentimiento del usuario antes de permitir la ejecución. Garantiza la soberanía de los datos indígenas, asegurando que el control de las grabaciones de voz recaiga en los hablantes.
5. Agente de Respuesta (El "Conversacionalista"):
   • Función: Genera salidas de audio conversacionales basadas en el estado del diálogo y los resultados de las acciones.
   • Característica: Trata las respuestas del sistema como contribuciones a la conversación (confirmaciones, negaciones, solicitudes de aclaración) en lugar de simples mensajes de estado.
6. Agentes de Acción (Los "Especialistas"):
   • Función: Agentes modulares pequeños que ejecutan tareas específicas (control de medios, navegación web, etc.).
   • Ventaja: Permiten la expansión orgánica del sistema sin rediseñar la arquitectura central.

Datos y Entrenamiento: Se enfatiza la necesidad de utilizar datos conversacionales auténticos (como los de la iniciativa Aikuaa o Mozilla Common Voice) que capturen la realidad del Jopará y la variación pragmática, en lugar de corpus de lectura formal.

3. Contribuciones Clave

• Marco Arquitectónico: Propuesta de un sistema multi-agente que separa explícitamente la comprensión lingüística, el estado del diálogo y la gobernanza de datos, permitiendo una especialización técnica y ética.
• Diseño Centrado en la Oralidad: Un enfoque que prioriza la gestión de turnos, la reparación de errores y el contexto compartido sobre la precisión de reconocimiento de palabras aisladas.
• Soberanía de Datos Indígenas: Integración técnica de la gobernanza comunitaria mediante un agente dedicado que media el consentimiento y la retención de datos, abordando directamente las preocupaciones éticas de las comunidades indígenas.
• Adaptación a la Diglosia: Un diseño que reconoce y maneja la realidad sociolingüística de Paraguay, permitiendo la interacción fluida en Guaraní y Jopará sin forzar el uso del español en momentos críticos.

4. Resultados y Criterios de Evaluación

El artículo no presenta resultados de implementación final (es un position paper), sino un marco de evaluación propuesto para validar el éxito de este enfoque, alejándose de métricas tradicionales como la tasa de error de palabras (WER):

1. Tasa de Éxito de la Tarea (TSR): Mide el éxito en objetivos de múltiples turnos, no solo comandos únicos.
2. Tasa de Éxito en la Reparación: Evalúa la capacidad del sistema para recuperarse de malentendidos o interrupciones sin que el usuario abandone la tarea.
3. Soberanía Percibida: Una métrica cualitativa que mide la confianza de la comunidad en que sus datos de voz están bajo su control y no se extraen sin consentimiento.
4. Latencia Cultural: Asegura que los tiempos de respuesta coincidan con el ritmo de la conversación en Guaraní, evitando interrupciones que violen las normas de toma de turno.

5. Significado e Impacto

Este trabajo es significativo porque:

• Cuestiona el "Universalismo" en IA: Demuestra que las soluciones de IA "universales" a menudo son en realidad soluciones "texto-primero" que marginan a las culturas orales.
• Empoderamiento Tecnológico: Ofrece un modelo para que las comunidades indígenas interactúen con la tecnología en sus propios términos, fortaleciendo la identidad cultural en lugar de diluirla.
• Nueva Dirección para HCI: Propone que la verdadera equidad en la IA requiere adaptar los modelos de interacción a las prácticas comunicativas de las comunidades, pasando de la simple transcripción a la comprensión conversacional profunda.
• Relevancia Global: Aunque se centra en el Guaraní, el marco propuesto sirve como blueprint para otras lenguas de recursos limitados y comunidades indígenas en todo el mundo que enfrentan barreras similares de acceso digital y soberanía de datos.

En conclusión, el artículo argumenta que para que la IA sea verdaderamente equitativa y culturalmente fundamentada, debe dejar de adaptar las lenguas orales a sistemas de texto y comenzar a tratar la conversación hablada como un requisito de diseño fundamental.