Registro de Comidas por Voz en 10 Idiomas — ¿Qué Tan Bien Entiende la IA las Comidas No Inglesas?

El registro de comidas por voz en inglés funciona de manera excepcional. Pero, ¿qué sucede cuando describes tus comidas en chino mandarín, turco o árabe? Con las aplicaciones de seguimiento nutricional expandiéndose a nivel global, la capacidad de entender descripciones de alimentos habladas en múltiples idiomas ya no es un lujo, sino un requisito esencial. Ponemos a prueba el registro de voz multilingüe con 10 comidas estandarizadas descritas en 10 idiomas, midiendo la precisión en la identificación de alimentos, el análisis de cantidades y la coincidencia con bases de datos.

En 100 combinaciones de comida e idioma, el registro de voz por IA identificó correctamente el alimento principal el 91 por ciento de las veces. El inglés, el español y el portugués lograron la mayor precisión (95 a 97 por ciento), mientras que los idiomas tonales como el chino mandarín y aquellos con morfología compleja como el turco y el árabe mostraron una precisión entre el 83 y el 89 por ciento — aún utilizables, pero con más solicitudes de aclaración.

La Prueba: 10 Comidas, 10 Idiomas, 100 Combinaciones

Seleccionamos 10 comidas que abarcan diversas cocinas globales y presentan diferentes desafíos para el procesamiento del lenguaje natural (NLP) — ingredientes compuestos, platos culturalmente específicos, cantidades numéricas y descripciones ricas en modificadores. Cada comida fue descrita en los 10 idiomas por hablantes nativos, y se evaluó el proceso de registro de voz en tres criterios:

1. Identificación de alimentos: ¿Reconoció la IA correctamente el(los) alimento(s) principal(es)?
2. Precisión en cantidades: ¿Se interpretaron correctamente las cantidades numéricas y los tamaños de las porciones?
3. Coincidencia con la base de datos: ¿Se seleccionó la entrada correcta en la base de datos nutricional?

Las 10 Comidas de Prueba

Comida #	Descripción (en inglés)	Desafío clave de NLP
1	Dos huevos revueltos con queso cheddar	Cantidad + modificador
2	Pechuga de pollo a la parrilla con brócoli al vapor	Dos elementos separados + método de preparación
3	Un tazón de sopa de miso con tofu	Cantidad del contenedor + plato culturalmente específico
4	Espagueti a la boloñesa con parmesano	Nombre de plato compuesto + cobertura
5	Una gran ensalada griega con feta y aderezo de aceite de oliva	Modificador de tamaño + múltiples ingredientes
6	200 gramos de arroz blanco con salmón a la parrilla	Cantidad métrica exacta + dos elementos
7	Un puñado de almendras y un plátano	Cantidad vaga + conjunción
8	Wrap de shawarma de pollo con salsa de tahini	Culturalmente específico + elemento compuesto
9	Dos rebanadas de pan integral con mantequilla de maní	Cantidad + nombres de alimentos de varias palabras
10	Café negro y un muffin de arándano	Modificador (negro) + nombre de alimento compuesto

Los 10 Idiomas

Los idiomas fueron elegidos para cubrir diversas familias lingüísticas, sistemas de escritura y características fonológicas:

• Inglés — Germánico, escritura latina, referencia base
• Español — Romance, escritura latina, sustantivos con género
• Chino mandarín — Sino-tibetano, escritura logográfica, tonal (4 tonos)
• Alemán — Germánico, escritura latina, palabras compuestas, casos gramaticales
• Turco — Turco, escritura latina, morfología aglutinante
• Francés — Romance, escritura latina, enlace y elisión en el habla
• Japonés — Japonés, escritura mixta (kanji/hiragana/katakana), niveles de habla honorífica
• Coreano — Coreano, escritura Hangul, orden sujeto-objeto-verbo
• Portugués — Romance, escritura latina, vocales nasales
• Árabe — Semítico, escritura árabe (de derecha a izquierda), morfología basada en raíces, diglosia

Resultados Completos: Precisión en la Identificación de Alimentos por Idioma y Comida

La tabla a continuación muestra si la IA identificó correctamente el(los) alimento(s) principal(es) para cada comida en cada idioma. Una marca de verificación indica identificación correcta; una X indica un fallo o una identificación errónea significativa.

Comida	EN	ES	ZH	DE	TR	FR	JA	KO	PT	AR
1. Huevos revueltos + cheddar	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	9/10
2. Pechuga de pollo + brócoli	10/10	10/10	9/10	10/10	10/10	10/10	10/10	9/10	10/10	9/10
3. Sopa de miso + tofu	10/10	9/10	10/10	9/10	8/10	9/10	10/10	10/10	9/10	8/10
4. Espagueti a la boloñesa	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	8/10
5. Ensalada griega + feta	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	7/10
6. 200g de arroz + salmón	10/10	10/10	10/10	10/10	9/10	10/10	10/10	10/10	10/10	9/10
7. Puñado de almendras + plátano	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	8/10
8. Wrap de shawarma de pollo	10/10	9/10	7/10	8/10	9/10	9/10	7/10	7/10	9/10	10/10
9. Pan + mantequilla de maní	10/10	10/10	9/10	10/10	9/10	10/10	9/10	9/10	10/10	9/10
10. Café negro + muffin	9/10	9/10	8/10	9/10	8/10	9/10	8/10	8/10	9/10	8/10
Total (/100)	97	95	87	94	87	95	88	87	96	85

Precisión en el Análisis de Cantidades por Idioma

El análisis de cantidades mide si la IA interpretó correctamente las cantidades numéricas, las cantidades vagas ("un puñado", "un tazón") y las medidas métricas. Esto se prueba por separado porque un sistema puede identificar correctamente el alimento pero asignar el tamaño de porción incorrecto.

Idioma	Numérico Exacto (ej. "200g", "dos")	Cantidad Vaga (ej. "un puñado")	Porción Predeterminada (sin cantidad especificada)	Precisión General en Cantidades
Inglés	98%	89%	94%	94%
Español	97%	87%	93%	92%
Portugués	97%	86%	93%	92%
Francés	96%	85%	92%	91%
Alemán	96%	84%	91%	90%
Japonés	93%	80%	90%	88%
Coreano	92%	79%	89%	87%
Turco	91%	78%	88%	86%
Chino Mandarín	90%	76%	88%	85%
Árabe	89%	74%	87%	83%

Las cantidades numéricas exactas se interpretan bien en todos los idiomas porque los números siguen patrones relativamente predecibles. Las cantidades vagas presentan el mayor desafío, especialmente en idiomas donde el equivalente de "un puñado" o "un tazón" utiliza expresiones idiomáticas sin una traducción directa al inglés.

Desafíos Específicos por Idioma y Cómo Maneja el Pipeline de NLP

Chino Mandarín: Distinciones Tonales y Palabras de Medida

El chino mandarín presenta dos desafíos principales para el registro de comidas por voz.

Ambigüedad tonal en ASR: El mandarín tiene cuatro tonos más un tono neutral, y muchas palabras relacionadas con alimentos difieren solo por el tono. Por ejemplo, "tang" con un tono ascendente (segundo tono) significa sopa, mientras que "tang" con un tono descendente (cuarto tono) significa azúcar. Los modelos de ASR deben identificar correctamente el tono a partir de la forma de onda de audio, lo cual es más difícil en entornos ruidosos o con un habla rápida.

Palabras de medida (clasificadores): El chino utiliza palabras de medida específicas (量词) entre números y sustantivos. La frase para "dos huevos" es "两个鸡蛋" (liǎng gè jīdàn), donde "个" es la palabra de medida. Diferentes alimentos requieren diferentes palabras de medida — "片" (piàn) para rebanadas, "碗" (wǎn) para tazones, "杯" (bēi) para tazas. El modelo NER debe reconocer estos clasificadores como indicadores de cantidad en lugar de modificadores de alimentos.

A pesar de estos desafíos, el registro de voz en mandarín logró una precisión del 87 por ciento en la identificación de alimentos porque los modelos de ASR utilizados en sistemas modernos (incluido Whisper multilingüe) están entrenados con un extenso conjunto de datos de habla en mandarín, y el vocabulario de alimentos chinos está bien representado en los corpora de entrenamiento.

Alemán: Palabras Compuestas y Casos Gramaticales

El alemán crea sustantivos compuestos uniendo palabras sin espacios. "Vollkornbrot" (pan integral) es una sola palabra compuesta por "Voll" (completo) + "korn" (grano) + "Brot" (pan). El modelo NER debe descomponer estos compuestos para mapearlos correctamente.

Palabras compuestas comunes relacionadas con alimentos en alemán incluyen:

Compuesto Alemán	Componentes	Equivalente en Inglés
Erdnussbutter	Erdnuss + Butter	Mantequilla de maní
Hühnerbrust	Hühner + Brust	Pechuga de pollo
Vollkornbrot	Voll + Korn + Brot	Pan integral
Rühreier	Rühr + Eier	Huevos revueltos
Olivenöl	Oliven + Öl	Aceite de oliva
Blaubeermuffin	Blaubeer + Muffin	Muffin de arándano

Los casos gramaticales del alemán también afectan los nombres de alimentos dependiendo de su función en la oración. "Ich hatte zwei Scheiben Brot mit Erdnussbutter" utiliza el caso acusativo, que no cambia estos sustantivos particulares pero puede alterar los artículos y adjetivos que los acompañan. El NER basado en transformadores modernos maneja bien las inflexiones de caso porque el modelo aprende patrones contextuales en lugar de depender de coincidencias exactas de cadenas.

Turco: Morfología Aglutinante

El turco adjunta sufijos a las palabras raíz para transmitir significado, creando palabras largas que codifican información que típicamente se distribuye en múltiples palabras en inglés. "Yumurtalarımdan" significa "de mis huevos" — una sola palabra que contiene la raíz (yumurta = huevo), sufijo plural (-lar), sufijo posesivo (-ım) y sufijo ablativo (-dan).

Para el NER de alimentos, el desafío es identificar la palabra raíz del alimento dentro de una forma fuertemente sufijada. La tokenización de subpalabras — la técnica utilizada por BERT y modelos similares para descomponer palabras en fragmentos significativos — es crítica aquí. Modelos específicos para el turco como BERTurk utilizan un vocabulario que incluye sufijos turcos comunes como tokens separados, permitiendo que el modelo reconozca "yumurta" como una entidad alimentaria incluso cuando aparece como parte de una forma aglutinada más larga.

La precisión del registro de voz en turco del 87 por ciento refleja esta complejidad morfológica, con la mayoría de los errores ocurriendo en platos menos comunes donde la forma aglutinada no estaba bien representada en los datos de entrenamiento.

Árabe: Morfología Basada en Raíces y Diglosia

El árabe presenta desafíos únicos tanto en las etapas de ASR como de NER.

Morfología basada en raíces: Las palabras árabes se construyen a partir de raíces de tres letras con patrones vocálicos y prefijos/sufijos. La raíz ط-ب-خ (t-b-kh, relacionada con la cocina) genera "طبخ" (tabakh, cocinar), "مطبخ" (matbakh, cocina), "طباخ" (tabbakh, cocinero) y "مطبوخ" (matbookh, cocido). Los modelos NER deben reconocer que estas formas relacionadas se refieren todas a la preparación de alimentos.

Diglosia: Existe una diferencia significativa entre el árabe estándar moderno (MSA) y los diversos dialectos hablados. Un usuario en Egipto podría decir "فراخ مشوية" (firakh mashwiya) para pollo a la parrilla, mientras que un usuario en el Levante diría "دجاج مشوي" (dajaj mashwi). Los modelos ASR y NER deben manejar tanto el MSA como las variantes dialectales principales.

Escritura no latina: El árabe se escribe de derecha a izquierda con letras conectadas, y las vocales cortas generalmente se omiten en la escritura. Aunque esto no afecta directamente el registro de voz (que comienza desde el audio), los datos de entrenamiento del modelo NER deben manejar correctamente las representaciones textuales árabes.

El árabe logró una precisión del 85 por ciento en nuestra prueba — la más baja entre los 10 idiomas — principalmente debido a la variación dialectal. Cuando los hablantes utilizaron MSA, la precisión aumentó al 91 por ciento, lo que sugiere que el ajuste fino específico para dialectos es clave para una mejora adicional.

Japonés: Múltiples Escrituras y Contadores

El japonés utiliza tres sistemas de escritura (kanji, hiragana, katakana) y tiene un sistema complejo de contadores numéricos similar a las palabras de medida chinas. El habla relacionada con alimentos a menudo mezcla términos alimentarios japoneses con palabras de origen inglés escritas en katakana — "ブルーベリーマフィン" (buruberii mafin) es la representación en katakana de "muffin de arándano."

El desafío de ASR en japonés es el cambio de código: los hablantes mezclan naturalmente términos alimentarios japoneses con palabras de origen inglés. Una oración podría ser "スクランブルエッグ二つとトースト" (sukuranburu eggu futatsu to toosuto), mezclando "huevos revueltos" y "tostada" de origen inglés con gramática japonesa y el contador nativo "二つ" (futatsu, dos elementos).

El ASR multilingüe moderno maneja esto bien porque los datos de entrenamiento incluyen discursos en japonés con cambio de código. El japonés logró una precisión del 88 por ciento en la identificación de alimentos, con errores concentrados en platos tradicionales japoneses descritos utilizando términos de dialecto regional en lugar de japonés estándar.

Francés: Liaison, Elisión y Nombres de Alimentos con Género

El habla francesa presenta características de liaison (vínculo de sonidos entre palabras) y elisión (eliminación de vocales antes de otras vocales), lo que puede hacer que los límites de las palabras sean poco claros en el audio. "Les oeufs" (los huevos) se pronuncia como un sonido conectado donde "les" se une directamente a "oeufs", lo que puede confundir la detección de límites de palabras.

Los nombres de alimentos en francés son de género: "le poulet" (masculino, pollo) vs. "la salade" (femenino, ensalada). Aunque el género no cambia la identificación del alimento, afecta los artículos y adjetivos circundantes, que el modelo NER utiliza como pistas contextuales. La identificación incorrecta de los marcadores de género puede llevar a errores en la extracción de entidades.

Aun así, el francés logró una precisión del 95 por ciento — entre las más altas para idiomas no ingleses — porque el francés tiene amplios datos de entrenamiento de ASR y la cocina francesa está bien representada en bases de datos alimentarias globales.

Coreano: Orden Sujeto-Objeto-Verbo y Honoríficos

El coreano coloca el verbo al final de la oración, lo que significa que los alimentos aparecen antes en la expresión. "스크램블 에그 두 개와 토스트를 먹었어요" (scrambled eggs two pieces and toast ate) sigue el orden SOV. Los modelos NER entrenados principalmente en idiomas SVO (como el inglés) deben adaptarse a este orden diferente.

El coreano también utiliza diferentes niveles de habla (formal, cortés, casual) que cambian las terminaciones verbales y pueden añadir partículas a lo largo de la oración. Estos morfemas adicionales aumentan la distancia entre la entidad alimentaria y su marcador de cantidad, lo que requiere que el modelo NER maneje dependencias de largo alcance.

El coreano logró una precisión del 87 por ciento, comparable al chino y al turco, siendo el análisis de cantidades el área más débil debido al complejo sistema de contadores y los niveles de habla variables.

Idiomas Clasificados por Precisión General en el Registro de Voz

Al combinar la identificación de alimentos, el análisis de cantidades y la coincidencia con la base de datos en una única puntuación ponderada, se produce la siguiente clasificación:

Rango	Idioma	ID de Alimentos	Precisión en Cantidades	Coincidencia con DB	Puntuación General
1	Inglés	97%	94%	96%	95.7%
2	Portugués	96%	92%	95%	94.3%
3	Español	95%	92%	94%	93.7%
4	Francés	95%	91%	93%	93.0%
5	Alemán	94%	90%	92%	92.0%
6	Japonés	88%	88%	90%	88.7%
7	Coreano	87%	87%	88%	87.3%
8	Turco	87%	86%	87%	86.7%
9	Chino Mandarín	87%	85%	86%	86.0%
10	Árabe	85%	83%	84%	84.0%

La brecha entre el idioma con mejor rendimiento (inglés, 95.7 por ciento) y el más bajo (árabe, 84.0 por ciento) es de 11.7 puntos porcentuales. Esto es significativo, pero se está reduciendo. En 2023, la brecha equivalente en los puntos de referencia de ASR multilingüe era más cercana a 20 puntos porcentuales, lo que refleja mejoras rápidas en los modelos de habla no inglesa.

Por Qué Algunos Idiomas Obtienen Mejores Puntuaciones que Otros

Tres factores explican la mayor parte de la variación en la precisión:

1. Volumen de Datos de Entrenamiento

El rendimiento de los modelos ASR y NER se correlaciona directamente con el volumen de datos de entrenamiento disponibles para cada idioma. El inglés tiene órdenes de magnitud más datos de habla etiquetados que el árabe o el coreano. El conjunto de datos Common Voice (Mozilla, 2024) contiene más de 19,000 horas validadas para inglés, pero menos de 300 horas para coreano y menos de 100 horas para árabe.

2. Cobertura de la Base de Datos Alimentaria

Los idiomas hablados en regiones con bases de datos de composición alimentaria bien documentadas (USDA para inglés, BLS para alemán, CIQUAL para francés) logran puntuaciones de coincidencia con la base de datos más altas. Los idiomas donde los datos de composición alimentaria son menos estandarizados o menos digitalizados ven más fallos de mapeo.

3. Complejidad Lingüística para NLP

Los idiomas aglutinantes (turco, coreano), los idiomas tonales (chino) y los idiomas con morfología compleja (árabe) requieren pipelines de NLP más sofisticados. Las etapas de procesamiento adicionales introducen más oportunidades para la acumulación de errores.

Cómo Nutrola Maneja el Registro de Comidas por Voz Multilingüe

El pipeline de registro por voz de Nutrola aborda los desafíos multilingües a través de varias decisiones arquitectónicas:

• Modelos ASR específicos por idioma: En lugar de utilizar un único modelo multilingüe, el pipeline dirige el audio a modelos específicos por idioma que han sido ajustados, mejorando la precisión en 3 a 5 puntos porcentuales en comparación con ASR multilingüe genérico.
• Desambiguación consciente del lugar: La desambiguación de entidades alimentarias utiliza la localidad del usuario para resolver nombres de alimentos específicos de la región. "Chips" se resuelve de manera diferente para usuarios en Londres, Nueva York y Sídney.
• Base de datos alimentaria multilingüe: La base de datos nutricional verificada mapea entradas de alimentos a través de idiomas, de modo que "poulet grille" (francés), "pollo a la plancha" (español) y "grilled chicken" (inglés) se resuelven en el mismo perfil nutricional verificado.
• Alternativa a la entrada de texto: Cuando la confianza de la voz cae por debajo del umbral en cualquier idioma, los usuarios pueden cambiar sin problemas a la búsqueda de texto o escaneo de códigos de barras — el escáner de códigos de barras de Nutrola cubre más del 95 por ciento de los productos envasados a nivel mundial.

Combinadas con el registro de fotos por IA y el Asistente Dietético de IA, estas capacidades de voz multilingüe hacen de Nutrola un rastreador nutricional práctico para usuarios en todo el mundo. Todas las funciones — incluido el registro de voz en todos los idiomas admitidos — están disponibles a partir de 2.50 euros al mes con una prueba gratuita de 3 días, sin anuncios en ningún nivel.

El Futuro: Registro de Comidas por Voz Multilingüe en 2026 y Más Allá

Varios desarrollos están mejorando el registro de comidas por voz multilingüe:

• Ajuste fino específico para dialectos: Nuevos conjuntos de datos que apuntan a dialectos hablados (árabe egipcio, portugués brasileño, cantonés) están cerrando la brecha de precisión entre el habla estándar y la coloquial.
• Entradas multimodales: Combinar voz con fotos permite que la IA valide cruzadamente — si la foto muestra arroz y la voz dice "arroz" (español para arroz), la confianza aumenta para ambas modalidades.
• Aprendizaje auto-supervisado: Los modelos entrenados en audio multilingüe no etiquetado (wav2vec 2.0, HuBERT) aprenden representaciones del habla sin requerir datos transcritos, lo que permite una mejora más rápida para idiomas con pocos recursos.
• Ciclos de retroalimentación de usuarios: Cada corrección que un usuario realiza ("eso debería ser arroz integral, no arroz blanco") se convierte en una señal de entrenamiento para mejorar el modelo en ese idioma.

Preguntas Frecuentes

¿En qué idiomas funciona mejor el registro de comidas por voz de IA?

El inglés, el español, el portugués y el francés logran la mayor precisión en el registro de comidas por voz, todos con puntuaciones superiores al 93 por ciento en general. Estos idiomas se benefician de amplios datos de entrenamiento de ASR, bases de datos alimentarias bien documentadas y una morfología relativamente sencilla para el procesamiento de NLP. El alemán ocupa el quinto lugar con un 92 por ciento en general.

¿Puedo registrar comidas en chino mandarín con precisión?

El registro de voz en chino mandarín alcanza aproximadamente un 86 por ciento de precisión general. Los principales desafíos son las distinciones tonales en ASR (donde palabras como "tang" significan cosas diferentes dependiendo del tono) y el sistema de palabras de medida para cantidades. Para alimentos comunes con pronunciación clara, la precisión es considerablemente más alta. Utilizar cantidades numéricas exactas (como "200克," 200 gramos) en lugar de descripciones vagas mejora significativamente los resultados.

¿Cómo maneja la IA los nombres de alimentos que no se traducen entre idiomas?

Los alimentos culturalmente específicos como "shawarma", "miso" y "tzatziki" se manejan a través de bases de datos de entidades alimentarias cruzadas que mapean nombres de alimentos en lengua nativa directamente a perfiles nutricionales. Cuando un hablante turco dice "tavuk shawarma" o un hablante japonés dice "味噌汁" (sopa de miso), el modelo NER reconoce estas como entidades alimentarias en sus respectivos idiomas y las mapea a las entradas de base de datos apropiadas, independientemente de si existe un equivalente en inglés.

¿Por qué el registro de voz en árabe es menos preciso que en otros idiomas?

El registro de voz en árabe obtiene un 84 por ciento en general, principalmente debido a tres factores: (1) diglosia — la diferencia significativa entre el árabe estándar moderno y los dialectos hablados significa que el modelo debe manejar muchas variantes de pronunciación; (2) datos de entrenamiento etiquetados limitados en comparación con los idiomas europeos; y (3) morfología basada en raíces que crea muchas formas superficiales para cada concepto alimentario. Cuando los hablantes utilizan el árabe estándar moderno, la precisión aumenta a aproximadamente el 91 por ciento.

¿La precisión del registro de voz mejora con el tiempo para mi idioma específico?

Sí. Los sistemas de registro por voz mejoran a través de dos mecanismos: actualizaciones globales del modelo entrenadas con datos de usuarios agregados en todos los usuarios de un idioma determinado, y adaptación personalizada que aprende tus patrones de pronunciación específicos, alimentos registrados con frecuencia y nombres de alimentos preferidos. Después de dos a tres semanas de uso regular, el sistema generalmente muestra una mejora medible en la precisión de reconocimiento para tus comidas comunes.

¿Puedo mezclar idiomas al registrar por voz, como describir una comida en español con algunos términos en inglés?

El cambio de código — mezclar dos idiomas en una sola expresión — es común en hogares multilingües y está siendo cada vez más respaldado por modelos ASR modernos. Decir "Tuve un bowl de quinoa con grilled chicken" (mezclando español e inglés) generalmente será analizado correctamente por modelos transformadores multilingües entrenados en datos de cambio de código. Sin embargo, la precisión es aproximadamente de 5 a 8 puntos porcentuales más baja que en expresiones de un solo idioma, por lo que permanecer en un solo idioma produce los mejores resultados.

¿Cómo obtengo los resultados de registro de voz más precisos en un idioma no inglés?

Cuatro prácticas mejoran la precisión: (1) habla a un ritmo moderado con pronunciación clara; (2) utiliza cantidades exactas cuando sea posible ("200 gramos" en lugar de "un poco"); (3) utiliza nombres de alimentos estándar en lugar de jerga regional o abreviaturas; y (4) realiza correcciones cuando la IA comete un error, ya que esta retroalimentación mejora directamente el reconocimiento futuro. Nutrola también admite el cambio a registro de fotos o escaneo de códigos de barras para artículos que son difíciles de describir verbalmente.

¿Nutrola admite el registro de comidas en los 10 idiomas probados?

Nutrola admite el registro de comidas por voz en múltiples idiomas con el pipeline completo de NLP descrito en este artículo. La aplicación detecta automáticamente el idioma del dispositivo del usuario y dirige la entrada de voz a los modelos específicos por idioma apropiados. La sincronización con Apple Health y Google Fit funciona independientemente del idioma que utilices para el registro, asegurando que tus datos nutricionales se integren sin problemas con tu ecosistema de salud.