Diarización de hablantes: cómo sabe una transcripción quién habló

La diarización de hablantes es el paso de la transcripción automática que responde a "quién habló y cuándo": divide una grabación en segmentos, agrupa los que suenan a la misma voz y los etiqueta como Hablante 1, Hablante 2, etcétera. No conoce el nombre de nadie; tú, o un sistema que ya sabe quiénes participan, agregan los nombres después. Funciona bien con grabaciones claras y pocas voces distintas, y tiene problemas con voces superpuestas, voces parecidas, audio telefónico y grupos grandes.

Esta guía explica la diarización en términos sencillos, en qué se diferencia del reconocimiento de hablantes, cómo funciona por dentro, qué la hace fallar y cómo conseguir una transcripción con etiquetas de hablante en las que puedas confiar.

¿Qué es la diarización de hablantes?

Una transcripción en bruto es un muro de texto. La diarización la convierte en una conversación:

Hablante 1  00:00:03  Gracias por conectarse. ¿Empezamos con el presupuesto?
Hablante 2  00:00:07  Claro. Vamos como diez por ciento arriba en viáticos.
Hablante 1  00:00:12  Okey, ¿a qué se debe?

El término viene del inglés "diary" (diario): el sistema lleva un registro de qué voz está activa en cada momento. En la mayoría de las herramientas de transcripción, la diarización funciona en paralelo con el reconocimiento de voz. El modelo de voz produce palabras con marcas de tiempo, el modelo de diarización produce segmentos de hablante con marcas de tiempo, y ambos se alinean para que cada palabra o frase reciba una etiqueta de hablante.

Si transcribes entrevistas, reuniones o pódcasts, estas etiquetas son lo que vuelve útil el texto: puedes citar a la persona correcta, contar quién habló más y recorrer una llamada larga por hablante.

Diarización vs reconocimiento de hablantes

Se confunden a menudo, y muchas páginas de producto usan "identificación de hablantes" de forma imprecisa para las dos cosas.

Algunas herramientas mezclan las dos. Una plataforma de reuniones sabe qué micrófono de qué participante con sesión iniciada está activo, así que puede mostrar nombres sin analizar la voz. Algunas apps te dejan etiquetar una voz una vez e intentan reconocerla en grabaciones posteriores. El modelo de transcripción con diarización de OpenAI, por ejemplo, acepta clips cortos de referencia para hablantes conocidos, según su documentación. La diarización simple sobre un archivo subido, que es lo que hacen la mayoría de los servicios de transcripción, termina con etiquetas genéricas que tú renombras.

Cómo funciona la diarización de hablantes

Los sistemas modernos varían en los detalles, pero la mayoría sigue las mismas etapas generales. El kit de código abierto pyannote.audio, una de las bibliotecas de diarización más usadas, describe su proceso en el artículo de Hervé Bredin para Interspeech 2023, "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe", con tres etapas principales: segmentación local en ventanas cortas deslizantes, embeddings de hablante y agrupamiento global.

1. Detectar dónde hay voz

La detección de actividad de voz marca qué partes de la grabación contienen habla y descarta silencios, música y ruido. Los errores aquí se arrastran: la voz no detectada se queda sin etiqueta, y el ruido confundido con voz puede crear un hablante fantasma.

2. Segmentar el habla

El habla se corta en fragmentos cortos en los que, idealmente, solo habla una persona. Los modelos neuronales más recientes analizan unos segundos a la vez y estiman qué hablantes están activos en cada fotograma, lo que también les permite detectar voces superpuestas.

3. Convertir cada segmento en un embedding de voz

Una red neuronal convierte cada segmento en un embedding: una lista de números que captura cómo suena la voz (tono, timbre, forma de hablar) y no lo que se dice. Los segmentos de una misma persona deberían producir embeddings cercanos entre sí.

4. Agrupar los embeddings

Un algoritmo de agrupamiento reúne los embeddings parecidos. Cada grupo se convierte en un hablante. Lo difícil es decidir cuántos grupos hay: si son muy pocos, dos personas se funden en una sola etiqueta; si son demasiados, una persona se reparte entre varias. Algunos servicios te dejan indicar el número esperado de hablantes para ayudar con esto.

5. Alinear con las palabras

Por último, los segmentos de hablante se emparejan con las marcas de tiempo de las palabras del reconocimiento de voz, para que cada línea de la transcripción reciba una etiqueta. Los errores en los límites son frecuentes: la primera palabra de una respuesta puede quedar asignada al hablante anterior.

Los investigadores miden la calidad con la tasa de error de diarización (DER, por sus siglas en inglés), que combina voz no detectada, falsas alarmas y hablantes confundidos. Las cifras publicadas varían muchísimo entre conjuntos de datos, desde audio de radio limpio hasta reuniones ruidosas con muchas personas, así que una sola cifra de "precisión" dice poco sobre tus propias grabaciones.

Qué hace fallar la separación de hablantes

• Voces superpuestas. Cuando dos personas hablan a la vez, una voz suele quedarse con la etiqueta y las palabras de la otra pueden perderse o atribuirse mal.
• Voces parecidas. Dos personas de edad, sexo y acento similares producen embeddings cercanos que pueden fundirse.
• Audio telefónico y comprimido. Las líneas telefónicas de banda estrecha y los mensajes de voz muy comprimidos eliminan gran parte del detalle en el que se basan los embeddings.
• Muchos hablantes. Cada voz adicional complica el agrupamiento, sobre todo si algunas personas hablan muy poco.
• Turnos cortos. "Sí", "ajá", "claro" y otras intervenciones de una palabra son demasiado breves para producir un embedding fiable.
• Un solo micrófono lejano. Una laptop en medio de la sala capta eco y niveles desiguales; la misma persona puede sonar distinta según dónde se siente.
• Condiciones cambiantes. Alguien que se mueve, pasa de los audífonos al altavoz o empieza a susurrar puede quedar dividido en dos etiquetas.
• Ruido de fondo y música. Ambos pueden confundirse con voz o desdibujar las características de una voz.

Cómo separar hablantes en una transcripción con más fiabilidad

La mayor parte de la mejora viene de la grabación, no del software. Nuestros consejos de precisión en la transcripción cubren la calidad del audio en general; para los hablantes en particular:

• Dale a cada persona su propio micrófono si puedes o, al menos, mantén a todos a una distancia parecida de uno compartido.
• Si puedes grabar a cada persona en una pista separada (como en un pódcast, o una llamada grabada en estéreo con un lado por canal), transcribe las pistas por separado. Los canales separados son más fiables que cualquier agrupamiento de voces.
• Pide que no se interrumpan en las partes que necesites palabra por palabra y que dejen una pequeña pausa antes de responder.
• Evita el altavoz del celular y el audio de videollamadas que sale por bocinas de la sala cuando sea posible grabar directo.
• Pide a cada participante que diga su nombre al inicio. No entrena al modelo, pero hace muy rápido renombrar las etiquetas.
• Mantén una conversación en un solo archivo siempre que puedas. Si la transcribes por partes, las etiquetas no coincidirán: el Hablante 1 de la primera parte puede ser el Hablante 2 de la segunda.
• Revisa los primeros minutos de la transcripción. Si dos personas se fundieron, el problema suele mantenerse en todo el archivo.

Para entrevistas, nuestra guía de transcripción de entrevistas cubre la colocación del micrófono y el consentimiento; para llamadas, consulta la guía de transcripción de reuniones en Google Meet, Zoom y Teams.

Renombrar y corregir hablantes en Audiotexta

Cuando subes un archivo, pegas un enlace o grabas desde el micrófono en Audiotexta, la transcripción llega con etiquetas de hablante y marcas de tiempo. Para convertir Hablante 1 y Hablante 2 en nombres reales, renombra al hablante en el editor; el nuevo nombre se aplica a todos sus segmentos en la transcripción. El editor resalta las palabras durante la reproducción y te permite hacer clic en cualquier palabra para saltar a ese punto del audio, lo que facilita comprobar de oído un turno dudoso y corregirlo.

Renombra y corrige antes de exportar, para que los nombres pasen a TXT, SRT y VTT (disponibles en el plan gratuito, sin cuenta) o a DOCX, PDF, CSV y JSON en Pro. En los archivos de subtítulos, los nombres ayudan al público a seguir el diálogo; en CSV o JSON te permiten analizar quién dijo qué.

Como cualquier sistema de diarización, Audiotexta funciona mejor con audio claro y voces distintas, y no traslada los nombres de un archivo a otro: cada grabación empieza con etiquetas nuevas y anónimas.

Herramientas que transcriben con etiquetas de hablante

Las etiquetas de hablante ya son comunes, pero se implementan de formas distintas. Este es un resumen basado en la documentación de cada proveedor o, donde se indica, en descripciones de terceros (revisado en octubre de 2026; las funciones cambian, así que confírmalo en el sitio del proveedor).

Las plataformas de reuniones tienen una ventaja real aquí: cuando cada persona entra con su propia cuenta, saben los nombres sin adivinarlos por la voz. Las apps que recuerdan huellas de voz, como Otter, ahorran tiempo de renombrado si grabas seguido a las mismas personas. Para grabaciones subidas de entrevistas, llamadas o pódcasts, la diarización por voz es la única opción, y una revisión rápida con renombrado en el editor forma parte del trabajo.