Bhashini ofrece voz en 22 idiomas indios y texto en 36, y un laboratorio del IIT Madras creó el modelo abierto de traducción para los 22 idiomas de la lista oficial

Bhashini, la plataforma de idiomas del Gobierno de India, ofrecía servicios de voz en 22 idiomas y servicios de texto en 36 al 9 de febrero de 2026, según un documento informativo de la Oficina de Información de Prensa (PIB), el órgano de prensa del gobierno. El mismo documento dice que la plataforma aloja más de 350 modelos de IA y conjuntos de datos y ha completado más de 4.000 millones de inferencias de idioma, o 400 crore, cada una de ellas una sola ejecución de un modelo ante una solicitud.

Los conjuntos de datos y modelos abiertos de esa plataforma provienen de AI4Bharat, un laboratorio del Instituto Indio de Tecnología (IIT) de Madras que actúa como unidad de gestión de datos de la misión. Sus autores describen su modelo de traducción, IndicTrans2, como el primero que admite los 22 idiomas del Octavo Anexo de la Constitución.

Una misión que empezó en julio de 2022

Bhashini es el nombre de uso corriente de la Misión Nacional de Traducción de Idiomas. El Ministerio de Electrónica y Tecnología de la Información (MeitY) la dirige a través de la División Digital India Bhashini, que el sitio oficial presenta como una división independiente dentro de la Corporación Digital India. En la ficha informativa de la PIB de agosto de 2022, el nombre se desarrolla como «BHASa INterface for India», y allí se dice que el primer ministro la puso en marcha en la inauguración de la Semana Digital India 2022 en Gandhinagar. El relato de Swarajya fija la fecha el 4 de julio de 2022 y habla de una asignación de 495,51 crore de rupias para tres años.

La ficha enumera tres objetivos. Que los ciudadanos accedan a internet y a los servicios digitales en idiomas indios, también por voz. Un esfuerzo de colaboración abierta llamado Bhasha Daan reúne datos lingüísticos aportados por el público. Y Bhashini actúa como coordinador que reúne las contribuciones del gobierno, la industria, la universidad y las empresas emergentes en un repositorio abierto.

En febrero de 2026 la PIB describía los servicios como traducción, voz a texto, texto a voz, transliteración (escribir una palabra en otro alfabeto) y comprensión de documentos. La idea, en sus palabras, es que otras plataformas puedan añadir funciones de idioma y de voz sin construirlas desde cero. La plataforma había superado 1,2 millones de descargas en el documento de la PIB del 10 de febrero de 2026, y el sitio oficial indicaba más de 1,4 millones de descargas de la aplicación móvil cuando tuput lo consultó el 15 de octubre de 2026. El programa de IA del gobierno en su conjunto, incluida su financiación de cómputo, se explica en el reportaje de tuput sobre cómo India construye IA en sus propios idiomas.

El laboratorio del IIT Madras

AI4Bharat se presenta como un laboratorio de investigación del IIT Madras que trabaja en IA para los idiomas indios mediante contribuciones de código abierto. Sus líneas de trabajo declaradas son la transliteración, la comprensión y generación de lenguaje, la traducción, el reconocimiento de voz y la síntesis de voz. Los financiadores que nombra su página de inicio son MeitY, Rohini Nilekani Philanthropies, la Fundación EkStep, C-DAC, Microsoft, Google y Yotta Infrastructure.

La página atribuye a subvenciones de MeitY su recopilación de datos, que describe como parte de la Unidad de Gestión de Datos de Bhashini. El artículo de IndicTrans2 dice lo mismo en sus agradecimientos: los traductores, revisores y expertos lingüísticos de ese proyecto contaron con una subvención de la Misión Digital India Bhashini al IIT Madras para esa función.

En marzo de 2023, el director del IIT Madras, V Kamakoti, dijo a Moneycontrol que los investigadores del Centro Nilekani en AI4Bharat tenían un traductor de texto funcional para nueve idiomas, como parte de Bhashini. La nota añade que el centro empezó en 2022 con una subvención de 36 crore de rupias de Nilekani Philanthropies.

IndicTrans2, el modelo para los 22 idiomas

India tiene 22 idiomas incluidos en la lista oficial, recogidos en el Octavo Anexo, y el artículo señala que cerca del 97 por ciento de la población habla uno de ellos como primera lengua. Para saber cómo se eligieron esos 22, véase el explicativo de tuput sobre el Octavo Anexo.

El artículo de IndicTrans2, de 14 autores y encabezado por Jay Gala y Pranjal Chitale, se publicó en arXiv el 25 de mayo de 2023 y apareció en Transactions on Machine Learning Research en diciembre de 2023. Su resumen dice que, antes de este trabajo, no había datos de entrenamiento paralelos que cubrieran los 22 idiomas (las mismas oraciones en dos idiomas, de las que aprende un modelo), ni un banco de pruebas que los cubriera todos, ni un modelo de traducción que los admitiera todos.

El equipo construyó tres cosas. El Bharat Parallel Corpus Collection (BPCC) reúne unos 230 millones de pares de oraciones, de los cuales 126 millones son nuevos, incluidos 644.000 pares traducidos a mano. IN22 es un conjunto de prueba que los autores llaman el primer banco de pruebas con el mismo contenido en los 22 idiomas. IndicTrans2 en sí tiene 1.100 millones de parámetros, con versiones destiladas de unos 211 millones, y una segunda versión traduce directamente entre idiomas indios sin pasar por el inglés, con 462 direcciones de traducción.

En cuanto a la calidad, los autores informan de que IndicTrans2 rinde a la par del modelo abierto NLLB de Meta y de los sistemas comerciales de Google y Microsoft, según puntuaciones automáticas llamadas BLEU, chrF++ y COMET. Son evaluaciones de los propios autores. El artículo dice también que el Workshop on Machine Translation, una tarea compartida de larga trayectoria, había cubierto solo 4 idiomas indios en total a lo largo de 16 años.

Los modelos y los datos se publicaron con licencias abiertas. El repositorio de GitHub enumera puntos de control de los modelos con licencia MIT, y sus notas de versión registran una actualización de contexto largo el 18 de enero de 2025. El repositorio de IA de India, AIKosh, también incluye una ficha de IndicTrans2 con la División Digital India Bhashini como organización de origen. Ninguna de las páginas que tuput abrió dice qué modelo funciona dentro de un servicio concreto de Bhashini, así que este artículo no afirma tal cosa.

Los datos de texto y de voz que hay debajo

IndicTrans2 se apoya en publicaciones anteriores del mismo grupo. La primera fue IndicNLPSuite, publicada en Findings of EMNLP en noviembre de 2020. Ofrecía texto monolingüe de 8.800 millones de tokens en 11 idiomas e inglés indio, extraído sobre todo de rastreos de noticias, y modelos de lenguaje preentrenados basados en el diseño compacto ALBERT.

La continuación de ACL 2023, de Sumanth Doddapaneni y colegas, amplió el corpus (IndicCorp) a 20.900 millones de tokens en 24 idiomas, unas 2,3 veces el tamaño anterior. También presentó IndicXTREME, un banco de pruebas de nueve tareas en 20 idiomas con 105 conjuntos de evaluación, 52 de ellos nuevos, e IndicBERT v2, un modelo de lenguaje que según los autores mejora en 2 puntos de media sobre una base de comparación sólida.

En voz, el corpus Kathbath del artículo de IndicSUPERB reúne 1.684 horas de habla etiquetada en 12 idiomas, de 1.218 colaboradores en 203 distritos. IndicVoices, publicado en marzo de 2024, tiene 7.348 horas de 16.237 hablantes en 145 distritos y 22 idiomas, de las cuales 1.639 horas fueron transcritas. Solo el 9 por ciento es texto leído, frente al 74 por ciento de habla improvisada y el 17 por ciento de conversación.

Dónde se usa

El documento de la PIB de febrero de 2026 da dos ejemplos. En el Kashi Tamil Sangamam, en Varanasi, el discurso en hindi del primer ministro se tradujo al tamil en tiempo real mediante Bhashini. En el Maha Kumbh de 2025, un chatbot impulsado por Bhashini llamado Kumbh Sah’AI’yak dio a los peregrinos orientación e información de eventos en 11 idiomas y ofreció una función de objetos perdidos con traducción de texto y voz en directo. El sitio oficial cita además al primer ministro diciendo que, en las celebraciones del Jubileo de Diamante del Tribunal Supremo en 2024, su discurso se tradujo al inglés en tiempo real.

El Parlamento se sumó el 18 de marzo de 2025. La Secretaría de la Lok Sabha y MeitY firmaron un acuerdo para Sansad Bhashini, por el cual el Parlamento aporta su archivo de debates para afinar las herramientas y Bhashini aporta la traducción. El comunicado de la PIB enumera cuatro usos previstos: traducción de documentos de debates anteriores a idiomas regionales, un chatbot para el sitio web del Parlamento, voz a texto en idiomas indios, y conversión de voz a voz con transcripción en tiempo real. La página de inicio de Bhashini muestra ahora un banner de Sansad Bhashini que describe traducción, transcripción y resumen para el Parlamento.

En los ferrocarriles, la División Digital India Bhashini y el Centro de Sistemas de Información Ferroviaria (CRIS) firmaron el 9 de junio de 2025 un acuerdo para llevar herramientas de texto, voz y lectura de caracteres en 22 idiomas a sistemas como el Sistema Nacional de Consulta de Trenes y RailMadad, el portal de reclamaciones. All India Radio informó de que los talleres y los pilotos debían comenzar en los meses siguientes. La página Our Impact de Bhashini enumera por separado el sistema de consultas como un servicio que usa reconocimiento de texto y de voz, junto con el portal de quejas del gobierno CPGRAMS, que describe como un servicio con texto en 22 idiomas y voz en 16.

En los tribunales, según el documento de la PIB del 11 de febrero de 2026, el Tribunal Supremo traduce sentencias a 18 idiomas indios con su herramienta SUVAS, construida con el Centro Nacional de Informática, y las aloja en el portal e-SCR. El documento dice que las traducciones se revisan dentro de los marcos judiciales y no indica qué motor de idiomas usa SUVAS. El reportaje de tuput sobre la IA en los tribunales indios trae la lista completa de herramientas judiciales y los documentos en que se basan.

Lo que las cifras publicadas dejan abierto

El artículo de IndicTrans2 es directo sobre lo que queda por hacer. Dice que los modelos generalizan solo de forma limitada en manipuri (meitei), santali y sindhi en escritura devanagari, y que persiste una brecha de rendimiento entre los idiomas con muchos datos y los que tienen pocos. Los autores citan como razones la escasez de datos anotados por personas y el poco contenido en la web.

El recuento de lo que admite la plataforma varía según el servicio y la fecha. El documento de la PIB de febrero de 2026 da 22 idiomas de voz y 36 de texto, mientras que el sitio oficial indica voz en 16 idiomas para un sistema de quejas. Las páginas abiertas para este artículo no dan cifras de precisión de los servicios en funcionamiento, y los acuerdos con los ferrocarriles y el Parlamento describen trabajo previsto. Las comparaciones independientes de sistemas de voz en idiomas indios están reunidas en el resumen de tuput sobre modelos de voz y traducción.

Las propias páginas de AI4Bharat fijan una meta de 15.000 horas de habla transcrita en más de 400 distritos, que es un objetivo y no un total alcanzado.