Blog
¿Qué es la diarización de hablantes? Cómo funciona
Autor: Hushscript Publicado: Última revisión:
La diarización de hablantes es el proceso automático de dividir una grabación en segmentos por hablante, y responde a “¿quién habló y cuándo?” antes de que una persona lea la transcripción. La investigación actual sobre diarización de hablantes en la ACL Anthology describe la misma tarea para conversaciones entre varias personas. Es la diferencia entre un muro de palabras y una conversación estructurada, y por eso la transcripción de una entrevista entre dos personas llega como un diálogo legible y no como un párrafo larguísimo.
En términos sencillos: subes una grabación, el motor de diarización encuentra los puntos donde cambia la voz, agrupa los segmentos que suenan como la misma persona y te devuelve una transcripción con una línea por turno, etiquetada por voz. Este artículo explica el significado de la diarización, cómo funciona paso a paso, en qué se diferencia de la identificación de hablantes, qué herramientas usan los desarrolladores y dónde falla.
¿Qué es la diarización de hablantes? El significado en palabras sencillas
Imagina que transcribes a mano una entrevista de 90 minutos. Después de pasar el habla a texto, el siguiente trabajo es la atribución: “Entrevistador:”, “Entrevistado:”, de ida y vuelta, cada vez que cambia la voz. Decidir quién habla en cada segundo es exactamente lo que la diarización hace por ti. También se la conoce como diarización del habla. La definición es la misma: etiquetar cada parte del audio con la voz a la que pertenece.
El resultado es una transcripción en formato de diálogo:
Hablante A [00:00:12]: Lo primero que debe comprender es que los datos solo existen por un momento.
Hablante B [00:00:27]: Correcto, y esa es la parte de la que la mayoría no se da cuenta hasta que es demasiado tarde.
Hablante A [00:00:34]: Exacto. Entonces, la verdadera pregunta es qué haces en esa ventana.
Cada intervención queda ligada a un hablante y a una marca de tiempo. Después puedes cambiar Hablante A y Hablante B por nombres reales, con una edición por hablante, y la etiqueta se actualiza en todas partes donde aparece.
La alternativa, una transcripción simple sin diarización, es un bloque continuo de texto en el que tienes que reproducir el audio para saber quién dijo qué. Con más de un par de minutos y dos o más voces, es trabajo manual de verdad, y es el trabajo que elimina la diarización.
Qué necesitas antes de comenzar
La diarización se ejecuta sobre la propia grabación, así que el único requisito real es un audio donde los hablantes se distingan razonablemente:
- Una grabación con todas las voces. La diarización funciona dentro de un solo archivo, así que todos los hablantes deben estar en él. Una mesa redonda donde todos comparten el micrófono de la sala funciona; dos personas grabadas cada una en su propio dispositivo y guardadas como dos archivos separados, no. Combínalas primero en una sola mezcla.
- Audio lo bastante claro. No tiene que ser calidad de estudio. Cada persona debe oírse sin esfuerzo, con poca conversación cruzada y poco ruido de fondo. Cuanto más limpia sea la separación entre voces, más limpias serán las etiquetas.
- Una idea aproximada de cuántas personas hablan. No tienes que indicarlo, pero saberlo te ayuda a comprobar el resultado: si grabaste a tres personas y la transcripción muestra seis hablantes, ya sabes dónde mirar.
Sin registro de micrófono, sin muestras de voz, sin configuración por hablante.
Cómo funciona la diarización de hablantes
La diarización se divide en varias etapas. Conocerlas hace que el resultado sea más fácil de leer y de corregir cuando algo sale mal. Este diagrama de la diarización muestra el flujo desde el archivo de audio hasta las etiquetas, de izquierda a derecha:
audio -> fotogramas -> rasgos de voz -> puntos de cambio -> grupos -> etiquetas
archivo 10-40 ms tono, espectro A | B | A | C A, B, C Hablante A, B, C
Extracción de características. El audio se divide en fotogramas cortos, normalmente de 10 a 40 milisegundos cada uno, y el motor mide las características acústicas de cada fotograma. Las que sirven para distinguir hablantes están en el dominio de la frecuencia: tono, formantes y patrones espectrales que tienden a mantenerse constantes en la voz de una persona y a diferir entre personas.
Segmentación. El motor busca puntos de cambio de hablante: momentos en que esas características de la voz cambian. Es la parte difícil. Un cambio puede caer a mitad de una frase cuando alguien interrumpe, y el ruido o el habla superpuesta pueden ocultar un límite real o inventar uno falso.
Agrupación. Los segmentos que suenan como la misma voz se agrupan. Al motor no se le dice cuántas personas hay en la sala; deduce el número de hablantes a partir del audio. Si conoces la cifra de antemano, algunas configuraciones permiten indicarla. Si no, el motor la estima, y de ahí vienen la mayoría de los errores de “una persona dividida en dos” y “dos personas fusionadas en una”.
Etiquetado. Cada grupo recibe una etiqueta: Hablante A, Hablante B, Hablante C, o Hablante 0, Hablante 1. Las etiquetas son marcadores arbitrarios. No hay ninguna identidad detrás, solo un identificador estable para una voz a lo largo de toda la grabación.
Esto describe el proceso clásico. Los sistemas más nuevos suelen entrenar modelos neuronales que resuelven varias de estas etapas a la vez. El objetivo y el resultado son los mismos: una línea de tiempo de quién habló y cuándo. En Hushscript todo se ejecuta como un paso automático junto con la transcripción, así que no lanzas un trabajo aparte de etiquetado de hablantes.
Modelos de diarización de hablantes, herramientas en Python y API
Los desarrolladores que quieren ejecutar la diarización por su cuenta tienen varias vías. pyannote.audio es un kit de herramientas de código abierto en Python para la diarización de hablantes, construido sobre PyTorch, con pipelines de diarización ya preparados. Proyectos como WhisperX combinan un modelo de transcripción con uno de diarización para que el texto y los turnos de cada hablante coincidan. Ejecutar cualquiera de los dos por tu cuenta implica configurar los modelos, aportar tu propia capacidad de cómputo y escribir algo de código alrededor.
Una API es el punto medio: envías audio y recibes texto con los turnos de cada hablante. La API pública de Hushscript acepta una opción speaker_detection en los trabajos de transcripción. Consulta la página para desarrolladores para ver cómo funciona.
Si solo quieres el resultado, una transcripción con hablantes etiquetados a partir de un archivo, no hay nada que instalar. La siguiente sección explica por qué la diarización por sí sola no puede poner nombre a nadie, y las secciones posteriores muestran la vía sin código.
Diarización de hablantes vs identificación de hablantes
Estos dos conceptos se confunden constantemente, pero responden a preguntas distintas.
La diarización pregunta: ¿quién habla en este momento, en relación con las demás voces de este archivo? Separa las voces pero no tiene idea de a quién pertenecen. No necesita conocimiento previo.
La identificación de hablantes, también llamada reconocimiento de voz, pregunta: ¿es esta la misma persona que aparece en una grabación de referencia conocida? Necesita una muestra de voz registrada con la que comparar, y es la tecnología detrás de los sistemas de “verifica tu identidad por voz”.
Hushscript usa diarización, no reconocimiento de voz. No registra voces ni compara tu grabación con la de nadie más. Las etiquetas de hablante se derivan de las características de la voz dentro de ese único archivo.
Esta distinción es la razón por la que la diarización no puede ponerle nombre a las personas por ti. Puede decir “la misma persona habló estos 200 turnos a lo largo de la hora”, pero no quién es esa persona. Ese paso es tuyo. Si buscas un software que etiquete hablantes en una transcripción, y no una explicación del método, la página de identificación de hablantes explica cómo trata Hushscript las grabaciones con varios hablantes de principio a fin.
Un ejemplo práctico: una reunión de tres personas
Supón que grabas una reunión de proyecto de 40 minutos con tres personas en una sala, compartiendo el micrófono de una sola laptop, guardada como un único archivo .m4a. Lo subes y, tras la transcripción, el resultado se ve así:
Hablante A [00:00:04]: Bien, comencemos con la fecha de lanzamiento. ¿Dónde estamos?
Hablante B [00:00:09]: El diseño está hecho. Entregamos las pantallas finales el lunes.
Hablante C [00:00:14]: Ingeniería necesita aproximadamente dos semanas más para el flujo de pagos.
Hablante A [00:00:21]: Dos semanas nos sitúan más allá de la fecha que prometimos a marketing.
Hablante B [00:00:27]: ¿Podemos lanzar sin el nuevo flujo de pago y completarlo después?
Hablante C [00:00:33]: No de forma limpia. El antiguo flujo se interrumpe con el nuevo precio.
Tres voces, separadas y etiquetadas, con marca de tiempo en cada turno. Ahora las renombras: Hablante A pasa a ser “Priya” (ella dirige la reunión), Hablante B pasa a ser “Tom”, Hablante C pasa a ser “Dana”. Tras tres cambios de nombre, cada línea lleva un nombre real y la transcripción está lista para pegarla en las notas de la reunión con la atribución correcta de principio a fin.
La misma forma vale para una entrevista de dos personas, un podcast de cuatro o una llamada telefónica de dos lados: el motor separa lo que oye y tú pones los nombres.
Prueba la diarización de hablantes en línea con Hushscript
La detección de hablantes es una casilla en las opciones de carga, y las etiquetas no cuestan nada extra. El flujo: suelta tu archivo, pega un enlace de audio compatible o graba en el navegador, y se genera sin cuenta una vista previa de hasta 5 minutos con etiquetas de hablante. La vista previa muestra cada turno de tu propio audio en su propia línea, con una etiqueta. Regístrate para transcribir el resto y luego abre la transcripción terminada. Desde ahí:
- Haz clic en cualquier etiqueta de hablante del editor de transcripciones, como
Hablante B. - Elige Editar nombres de hablantes en el menú que se abre.
- Escribe el nombre real, como “Tom”, en el cuadro de diálogo y guarda.
- Cada aparición de ese hablante se actualiza a la vez, de la primera línea a la última.
El cambio de nombre es global, así que nunca editas la misma etiqueta dos veces. Si el motor puso un turno bajo el hablante equivocado, reasigna ese turno a la etiqueta correcta. Después puedes exportar la transcripción, con los nombres incluidos, en cualquiera de los 21 formatos, como TXT, SRT, DOCX, PDF y JSON, además de un .husharchive protegido con contraseña.
Problemas de la diarización de hablantes y cómo resolverlos
La diarización es fiable en grabaciones limpias y se complica a medida que el audio se ensucia. Los problemas más comunes y qué hacer con ellos:
Habla superpuesta. Cuando dos personas hablan a la vez, el motor tiene que asignar el audio superpuesto a un solo hablante, y puede etiquetar mal el cruce o perder algunas palabras. El software no tiene arreglo para esto; el audio contiene de verdad dos voces en el mismo instante. La palanca es la prevención: una grabación en la que las personas se turnan se diariza con mucha más limpieza que una llena de interrupciones. Cuando hay superposiciones, una lectura rápida contra el audio detecta las pocas líneas afectadas.
Voces parecidas. Dos hablantes con tono y acento cercanos (por ejemplo, dos hombres de edad similar, o hermanos) son más difíciles de separar que un par con contraste, porque sus características vocales de verdad se solapan. El motor puede intercambiar un turno entre ellos de vez en cuando. Recorre la transcripción en busca de líneas que suenen raras para el hablante asignado y reasígnalas a mano.
Muchos hablantes. La precisión baja al subir el número de personas, porque cada voz extra es un grupo más que mantener separado y más ocasiones de superposición. Hushscript no limita el número de hablantes según el plan de pago, pero una llamada de diez personas con el micrófono de una laptop necesitará más revisión que una entrevista de dos.
Una persona dividida en dos etiquetas. Si el audio de alguien cambia a mitad de la grabación (se acerca al micrófono, pasa de los auriculares al altavoz o se degrada la conexión), el motor puede interpretar la segunda mitad como una voz nueva y crear una etiqueta de más. Reasigna los turnos de la etiqueta sobrante al hablante correcto.
Dos personas fusionadas en una etiqueta. Ocurre lo contrario cuando dos voces tranquilas o lejanas suenan demasiado parecidas para que el motor las separe. Es lo más difícil de reparar después, así que conviene prevenirlo: acerca el micrófono a los hablantes y evita grabar desde el otro lado de una sala grande. En el editor puedes dividir los turnos y reasignarlos.
Audio lejano o ruidoso. El micrófono de una laptop al final de una mesa de conferencias, un teléfono sobre la mesa durante una charla en grupo o un fuerte eco de sala difuminan los límites entre voces. Acercar el micrófono ayuda a todos los hablantes, y reducir el ruido de fondo (ventiladores, tráfico, música) afina la separación. La calidad de la diarización sigue de cerca la calidad del audio.
Llamadas telefónicas grabadas en dos archivos separados. Si tu grabadora guardó cada lado de una llamada como su propio archivo mono, la diarización de cualquiera de los dos archivos por separado solo ve una voz. Combina antes los dos en una única grabación mezclada, para que ambas voces estén en un mismo archivo, y transcribe ese.
Consejos de precisión que de verdad marcan la diferencia
Unos pocos hábitos mejoran notablemente la diarización, y casi todos tienen que ver con la grabación, no con el software:
- Deja que las personas se turnen. La conversación cruzada es la mayor fuente de errores de diarización. Una discusión moderada es mejor que un todos contra todos.
- Acerca el micrófono. La distancia y el eco de la sala difuminan las voces. Lo ideal es un micrófono cercano por persona; uno compartido en el centro de la mesa es mejor que uno en la esquina.
- Reduce el ruido de fondo evidente. La música, un ventilador encendido o una cafetería concurrida compiten con las voces y enturbian los límites.
- Pon todas las voces en el archivo que transcribes. La diarización compara hablantes dentro de una grabación. Si una grabadora produjo pistas separadas por participante, mézclalas primero en un solo archivo para que el proceso de diarización pueda oír toda la conversación.
Nada de esto tiene que ser perfecto. Turnos claros y una posición razonable del micrófono bastan para que la mayoría de las grabaciones tengan etiquetas limpias, y el editor se encarga del resto.
Por qué importa la diarización en entrevistas y reuniones
Sin diarización, la transcripción de una conversación entre varias personas resulta casi inservible para sus usos más comunes:
- Citas textuales. No puedes citar a alguien si no sabes qué líneas son suyas.
- Atribución en los resúmenes. Un resumen de reunión que no dice quién dijo qué es apenas más útil que no tener resumen.
- Búsqueda por hablante. Si buscas algo que dijo una persona, no puedes filtrar un solo bloque de texto indiferenciado.
Con la diarización, cada una de estas tareas es directa y la transcripción se convierte en un documento y no en texto en bruto. Para todo lo que se vaya a publicar o citar, ya sea periodismo, investigación o notas de un podcast, la atribución exacta no es opcional. Para el trabajo interno, como notas de reuniones, investigación con entrevistas o registros de recursos humanos, la estructura etiquetada es igual de valiosa: recorrer un diálogo es mucho más rápido que leer un muro de texto.
Para una guía completa en contexto, consulta cómo transcribir una entrevista, que cubre la grabación, la transcripción y el reetiquetado para periodismo e investigación, y cómo transcribir un podcast para etiquetar a presentadores e invitados a lo largo de un episodio.
Las etiquetas de hablante no cuestan nada extra
La diarización de hablantes está incluida sin costo adicional en cada transcripción de Hushscript. No hay un complemento de diarización, ni un nivel de plan aparte para ella, ni un límite en el número de hablantes que puede tener una grabación según el plan de pago. Hushscript en sí es de pago por uso, sin suscripción. Las cuentas personales elegibles pueden recibir 30 minutos gratis una sola vez tras verificar la tarjeta con éxito, o con su primera compra si aún no se los han concedido. Después pagas solo por los minutos que uses; consulta la página de precios para ver los detalles.
Las etiquetas automáticas pueden equivocarse, así que revísalas cuando la atribución importe. Sube una grabación, obtén las etiquetas, cámbiales el nombre y exporta el resultado. Hay más información sobre cómo encaja todo en la página de audio a texto.
Fuentes y normas independientes
Hushscript consultó estas referencias independientes y no competidoras. Explican investigaciones, normas o el funcionamiento de plataformas y no implican el respaldo de Hushscript.
Fuentes revisadas: