Diarización de hablantes
La diarización de hablantes (speaker diarization) es la tarea de dividir una grabación de audio por hablante, etiquetando cada tramo de habla con quién lo dijo. Responde a la pregunta "quién habló y cuándo".
También llamado: diarisation, diarization, speaker labelling, who spoke when
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Una transcripción simple de una reunión es un muro de palabras. La diarización añade etiquetas como Hablante 1 y Hablante 2 a cada segmento, para que puedas seguir la conversación, atribuir citas y resumir lo que dijo cada persona. Es una función habitual en notas de reuniones, analítica de centros de llamadas, transcripción de entrevistas y herramientas de podcast.
Cómo funciona
Un proceso típico primero localiza dónde hay habla, luego la corta en segmentos cortos, convierte cada segmento en un embedding de hablante (una huella de voz compacta) y agrupa los embeddings para que los segmentos con voces parecidas compartan etiqueta. Los sistemas neuronales más nuevos resuelven más partes en un solo modelo, incluido el habla solapada. Kits abiertos como pyannote, con modelos como pyannote community-1, se usan mucho; algunos modelos de transcripción devuelven directamente las etiquetas de hablante.
En qué se diferencia del speech-to-text
El speech-to-text produce las palabras. La diarización produce los turnos de palabra, sin saber qué se dijo. Los productos combinan ambos alineando las marcas de tiempo. La diarización tampoco identifica a las personas por su nombre: agrupa voces. Asociar una voz a una persona conocida es la identificación de hablantes, una tarea distinta con sus propias normas de privacidad.
Límites
Los errores aumentan con conversaciones cruzadas, interjecciones breves, voces parecidas, micrófonos malos y un número desconocido de hablantes. Muchas herramientas te dejan indicar el número esperado de hablantes, lo que ayuda.
Términos relacionados
- Speech-to-text
- El speech-to-text (voz a texto), también llamado reconocimiento automático del habla (ASR), es software que convierte audio hablado en texto escrito. Está detrás de la transcripción, los subtítulos, los comandos de voz y la parte que escucha en los agentes de voz.
- Agente de voz
- Un agente de voz (voice agent) es un agente de IA que mantiene una conversación hablada en tiempo real: escucha a una persona, decide qué decir o hacer y responde con una voz sintética, a menudo por una línea telefónica o en una app.
- Embedding
- Un embedding (vector de representación) es una lista de números (un vector) que representa un fragmento de texto, una imagen u otros datos, generada de forma que los elementos con significado parecido acaban con vectores cercanos entre sí.
- Text-to-speech
- El text-to-speech (TTS, texto a voz) es software que convierte texto escrito en audio hablado. El TTS moderno usa redes neuronales que predicen el sonido del habla a partir del texto y luego lo generan como forma de onda.