Asia Central y las nuevas infraestructuras lingüísticas de la IA
En Asia Central, una parte importante de la expansión reciente de la inteligencia artificial no está llegando primero a través de grandes chatbots de consumo, sino mediante una infraestructura más básica y, al mismo tiempo, más profunda: diccionarios digitales, sistemas de reconocimiento de voz y recursos lingüísticos capaces de convertir lenguas históricamente infrarrepresentadas en datos procesables por máquinas.
Tres trabajos recientes permiten observar este proceso desde ángulos distintos. En Tayikistán, un proyecto propone utilizar modelos de lenguaje para construir un diccionario explicativo digital del tayiko. En Kazajistán, Kirguistán y Uzbekistán, un nuevo modelo de reconocimiento automático de voz mejora la capacidad de las máquinas para transcribir lenguas de la región. Y en Uzbekistán, una propuesta de aprendizaje mediante juegos convierte la propia práctica lingüística en un mecanismo para enriquecer recursos léxicos utilizados por sistemas de IA.
Más que tres novedades técnicas aisladas, forman una secuencia común: definir, escuchar y aprender. También muestran que incorporar una lengua a la IA implica decidir cómo se representa, quién produce los datos que la describen y qué nuevas capacidades aparecen cuando una máquina empieza a procesarla.
Tayikistán — Cuando un LLM empieza a escribir el diccionario
El 4 de agosto se publicó la primera versión de Large Language Models for Low-Resource Languages: A Conceptual Framework for an Electronic Explanatory Dictionary of the Tajik Language. Una segunda versión apareció el 6 de agosto. El trabajo está firmado por Mullosharaf K. Arabov, de la Universidad Federal de Kazán, en Rusia, y por S. S. Pirov y B. Sultonov, de la Universidad Nacional de Tayikistán, en Dusambé.
La propuesta plantea una arquitectura conceptual para desarrollar un diccionario explicativo electrónico del tayiko combinando métodos lexicográficos clásicos con análisis morfológico, lematización, agrupamiento semántico y generación de entradas mediante grandes modelos de lenguaje.
El punto de partida es una carencia concreta. Según el artículo, el tayiko todavía no dispone de un recurso lexicográfico digital integral comparable en funcionalidad con los disponibles para lenguas con mayor presencia computacional. La propuesta busca que ese futuro diccionario funcione no solo como herramienta para quienes hablan o estudian la lengua, sino también como infraestructura para traducción automática, resumen, análisis de sentimiento y otras aplicaciones de procesamiento del lenguaje natural.
Un diccionario nunca es únicamente un inventario neutral de palabras. Selecciona significados, fija relaciones entre términos, establece variantes y participa en la producción de una norma lingüística.
Cuando un LLM interviene en la generación de entradas lexicográficas, la cuestión no es solo si la definición producida es correcta. También importa qué corpus ha servido para construirla, qué usos lingüísticos quedan representados, cuáles aparecen como marginales y cómo se distribuye la autoridad entre especialistas en lexicografía, instituciones, comunidades hablantes y sistemas generativos.
En el caso del tayiko hay además una capa histórica difícil de separar de la infraestructura digital. La lengua ha atravesado distintos sistemas de escritura durante el último siglo y hoy utiliza oficialmente el cirílico, mientras mantiene una relación histórica y lingüística estrecha con el persa y el dari. Digitalizar un diccionario no consiste, por tanto, únicamente en pasar palabras a una base de datos. También implica decidir qué escrituras, variantes y capas históricas quedan incorporadas al recurso.
Vale la pena observar asimismo la genealogía institucional del propio trabajo. El autor principal firma desde Kazán, mientras sus dos coautores están afiliados a la Universidad Nacional de Tayikistán. Esto no permite por sí solo extraer conclusiones sobre el reparto efectivo de autoridad dentro del proyecto, pero sí recuerda que la construcción de infraestructuras lingüísticas en Asia Central continúa atravesada por redes académicas que exceden las fronteras nacionales y, en este caso, conectan directamente Tayikistán con Rusia.
La cuestión del significado aparece así en dos niveles a la vez. Está en la arquitectura técnica, que debe decidir cómo organizar y generar definiciones, y está en la propia red institucional desde la que se produce esa arquitectura.
¿Qué ocurre con la autoridad sobre el significado cuando parte del trabajo de definir una lengua pasa a un modelo y a infraestructuras académicas transnacionales?
Kazajistán, Kirguistán y Uzbekistán — Cuando las máquinas empiezan a escuchar Asia Central
El 11 de julio se publicó GigaAM Multilingual: Foundation Model for Underrepresented Languages. El trabajo presenta un modelo de reconocimiento automático de voz orientado, entre otras lenguas, al kazajo, kirguís y uzbeko.
El sistema fue preentrenado con aproximadamente dos millones de horas de audio en más de setenta lenguas y posteriormente ajustado para reconocimiento de voz. El equipo introduce mecanismos de balanceo de datos destinados a reducir uno de los problemas habituales de los sistemas multilingües: que las lenguas con más datos disponibles terminen dominando el aprendizaje del modelo.
En las evaluaciones presentadas por el equipo, GigaAM Multilingual mejora los resultados de modelos abiertos como Whisper Large v3 y Omnilingual-1B en las tres lenguas centroasiáticas estudiadas, con avances especialmente relevantes en habla espontánea.
Reconocer habla espontánea es antropológicamente distinto de reconocer un conjunto de frases cuidadosamente preparadas. Una conversación cotidiana contiene acentos, cambios de registro, vacilaciones, préstamos, fórmulas de respeto, alternancia entre lenguas y marcas sociales que rara vez aparecen de la misma forma en un corpus escrito.
Que una máquina pueda escuchar mejor kazajo, kirguís o uzbeko amplía el acceso a interfaces de voz, subtitulado, archivos orales y tecnologías de accesibilidad. Pero esa misma capacidad reduce también el coste técnico de convertir conversaciones en texto estructurado y analizable.
La inclusión lingüística y la capacidad de escucha automatizada aparecen así como dos caras de una misma infraestructura. La misma tecnología que puede facilitar la preservación de testimonios y el acceso a servicios puede ampliar también las posibilidades de registro, clasificación y análisis automático de grandes cantidades de habla.
Conviene situar además quién construye esta infraestructura auditiva. Los ocho autores del paper pertenecen a SaluteDevices, vinculada al ecosistema tecnológico del grupo ruso Sber. GigaAM Multilingual no surge, por tanto, de una institución académica o tecnológica centroasiática.
El dato no invalida el avance técnico ni determina por sí mismo sus usos futuros, pero cambia la lectura de la llamada inclusión lingüística. La capacidad de reconocer a escala kazajo, kirguís o uzbeko se desarrolla desde una infraestructura tecnológica exterior a esos países. En una región marcada por una larga historia de relaciones políticas, económicas y lingüísticas con Rusia, la cuestión de quién proporciona el oído de las máquinas merece tanta atención como sus métricas de precisión.
La infraestructura de voz permite que una lengua sea atendida por sistemas que antes apenas podían procesarla. Al mismo tiempo, desplaza una frontera técnica. Aquello que era costoso de transcribir puede convertirse en una corriente de texto susceptible de clasificación, búsqueda y análisis.
¿Qué cambia social y políticamente cuando una lengua pasa de ser difícil de procesar automáticamente a poder ser escuchada a escala mediante una infraestructura desarrollada fuera de la región?
Uzbekistán — Aprender una lengua mientras se construye el dataset
UzWordnet and Generative AI for Learning Uzbek by Game Playing, publicado en arXiv el 6 de mayo de 2026, propone utilizar recursos léxicos existentes y sistemas de IA generativa para desarrollar juegos destinados al aprendizaje del uzbeko.
El trabajo está firmado por Alessandro Agostini, Saydobid Khusanov y Mirkamol Mirkamilov. La arquitectura combina UzWordnet, un gran recurso léxico para uzbeko, un diccionario ortográfico y herramientas de inteligencia artificial generativa. El equipo diseña cuatro juegos educativos con un doble objetivo. Por un lado, facilitar el aprendizaje de la lengua. Por otro, aprovechar las propias dinámicas del juego para mejorar y enriquecer UzWordnet.
Ese segundo elemento convierte el proyecto en algo más interesante que una aplicación educativa asistida por IA. La interacción de quienes participan puede contribuir a ampliar la infraestructura léxica que posteriormente utilizan otros sistemas computacionales.
UzWordnet, además, no nace con este paper. El recurso fue presentado originalmente en 2021 por Agostini junto con T. Usmanov, U. Khamdamov, N. Abdurakhmonova y M. Mamasaidov en la Global WordNet Conference, como el mayor wordnet uzbeko construido hasta entonces, con alrededor de 28.140 synsets. El trabajo de 2026 no crea la infraestructura desde cero. Experimenta con una nueva forma de mantenerla, ampliarla y ponerla en circulación mediante dinámicas de juego.
La situación invierte parcialmente el esquema habitual de entrenamiento de la IA. Las personas no aparecen únicamente como usuarias de un sistema construido previamente a partir de grandes conjuntos de datos. Mientras juegan y aprenden, también pueden producir información útil para mejorar el recurso lingüístico subyacente.
La frontera entre aprendizaje, participación y trabajo de datos se vuelve así menos clara.
Este modelo también abre una posibilidad distinta a la extracción masiva de información lingüística desde grandes plataformas. Una comunidad de hablantes puede intervenir de forma más directa en la construcción de los recursos que representan su lengua. Pero esa participación plantea preguntas sobre propiedad, atribución, gobernanza y destino de los datos producidos.
No basta con que la contribución sea voluntaria para que todas esas cuestiones desaparezcan. Si una respuesta dada dentro de un juego termina mejorando un recurso reutilizable por futuros sistemas lingüísticos, esa interacción adquiere un valor distinto al del simple acto de aprender.
La propuesta resulta especialmente significativa porque se aplica sobre una infraestructura con varios años de recorrido. No se trata de recolectar respuestas para un experimento aislado, sino de explorar cómo la actividad de quienes aprenden puede incorporarse al mantenimiento y expansión de un recurso léxico ya existente.
¿Cuándo una actividad cultural o educativa empieza a convertirse también en trabajo para una infraestructura de IA, y qué retorno recibe la comunidad que produce ese valor?
Definir, escuchar, aprender
Los tres casos pueden leerse como capas de un mismo proceso.
Primero, una lengua debe poder definirse de forma que las máquinas organicen sus significados. Después debe poder escucharse, incluso cuando aparece en conversaciones espontáneas. Finalmente, las interacciones de quienes la hablan o la aprenden pueden utilizarse para seguir ampliando la infraestructura lingüística.
Cada capa incorpora una selección.
El diccionario selecciona qué significados, variantes y escrituras quedan incorporados a una norma computable. El reconocimiento de voz selecciona qué acentos, registros y formas de habla resultan procesables. El juego selecciona qué interacciones humanas se convierten en información útil para mantener y ampliar una base léxica.
Vistas juntas, estas selecciones construyen una representación computacional de las lenguas de Asia Central que nunca coincide de forma automática con toda su diversidad social.
También aparece un segundo hilo. En dos de las tres piezas existe, de maneras diferentes, una conexión rusa. El trabajo sobre el diccionario tayiko une instituciones de Kazán y Dusambé. GigaAM Multilingual procede directamente de SaluteDevices, dentro del ecosistema tecnológico de Sber. En el proyecto uzbeko, en cambio, encontramos una colaboración académica internacional articulada alrededor de una infraestructura lingüística desarrollada durante varios años.
No se trata de reducir estos proyectos a una única explicación geopolítica. Pero sí de reconocer que una lengua no entra en la IA en abstracto. Entra mediante universidades, empresas, corpus, servidores, financiaciones y comunidades concretas.
Desde esta perspectiva, llamar al tayiko, uzbeko, kazajo o kirguís “lenguas de pocos recursos” describe menos una característica de las propias lenguas que una desigualdad histórica en la producción de recursos digitales.
La expansión de la IA en Asia Central está empezando a modificar esa situación. La cuestión antropológica, sin embargo, no termina cuando una lengua consigue entrar en un modelo. Empieza precisamente ahí: quién construye su representación computacional, quién decide qué cuenta como uso legítimo y quién puede hacer después cosas nuevas con esa capacidad de leerla, escucharla y producirla.
Referencias
Tayikistán
Arabov, M. K., Pirov, S. S. y Sultonov, B. (2026). Large Language Models for Low-Resource Languages: A Conceptual Framework for an Electronic Explanatory Dictionary of the Tajik Language. arXiv:2608.04186. Primera versión, 4 de agosto de 2026; v2, 6 de agosto de 2026.
Kazajistán, Kirguistán y Uzbekistán
Kuzmenko, A. et al. (2026). GigaAM Multilingual: Foundation Model for Underrepresented Languages. arXiv:2607.10371. 11 de julio de 2026.
SaluteDevelopers. (2026). GigaAM. Repositorio de código.
Uzbekistán
Agostini, A., Khusanov, S. y Mirkamilov, M. (2026). UzWordnet and Generative AI for Learning Uzbek by Game Playing. arXiv:2607.14104. 6 de mayo de 2026.
Alessandro Agostini, Timur Usmanov, Ulugbek Khamdamov, Nilufar Abdurakhmonova y Mukhammadsaid Mamasaidov. (2021). UZWORDNET: A Lexical-Semantic Database for the Uzbek Language. En Proceedings of the 11th Global Wordnet Conference, pp. 8–19. Global Wordnet Association. DOI.
Nota sobre las fuentes
Las tres novedades principales se han tratado como publicaciones académicas recientes, no como noticias de actualidad en sentido periodístico. Las fechas, títulos y autorías de los trabajos de 2026 se han comprobado directamente en arXiv. En el caso del diccionario tayiko se distingue entre la primera versión del 4 de agosto y la revisión publicada el 6 de agosto.
La afiliación institucional de quienes firman el trabajo sobre tayiko se incorpora porque resulta relevante para la lectura de las redes académicas desde las que se construye la infraestructura lingüística. La procedencia de GigaAM Multilingual se sitúa igualmente en SaluteDevices y el ecosistema tecnológico de Sber. Estos datos describen la producción institucional de los proyectos, pero no se utilizan por sí solos para atribuir intenciones políticas ni usos futuros.
UzWordnet se presenta como una infraestructura anterior al artículo de 2026. La referencia de 2021 se utiliza para situar la continuidad del proyecto y evitar interpretar el nuevo trabajo como la creación desde cero del recurso léxico.
Las posibilidades de vigilancia, extracción de valor, fijación de normas lingüísticas o dependencia tecnológica se plantean como problemas antropológicos abiertos derivados de las capacidades descritas, no como usos o consecuencias demostradas por los propios artículos.