Glosario
La Tasa de Error de Diarización (DER) es la métrica de precisión estándar para la diarización de hablantes. A diferencia de WER , que mide errores a nivel de palabra, DER mide el porcentaje del tiempo de audio en el que el sistema de diarización identifica mal al hablante. Cuanto más bajo, mejor. Los sistemas de vanguardia logran un DER del 5-15% en puntos de referencia conversacionales; la diarización de producción en un podcast limpio de 2 hablantes puede caer a 3-5%.
Qué contabiliza el DER
DER = (Habla omitida + Falso positivo + Confusión de hablantes) / Tiempo total de habla. Habla omitida: el sistema lo marcó como silencio cuando en realidad había habla. Falso positivo: el sistema pensó que había habla en una región de silencio. Confusión de hablantes: el sistema etiquetó el habla como Hablante A cuando en realidad era el Hablante B. Los tres componentes se suman y se dividen por la duración total de la referencia de habla.
Cifras de referencia (2026)
DIHARD III (difícil, mundo real): SOTA ~15-18% DER. VoxConverse: SOTA ~4-5%. AMI Meeting Corpus: SOTA ~12-15%. Podcasts de 2 hablantes de producción (grabación limpia, sin solapamiento): típicamente 3-7% DER. Casos difíciles — habla superpuesta, voces parecidas, enunciados muy cortos — aumentan significativamente el DER. La mayoría de los puntos de referencia académicos incluyen un collar de indulgencia de 250 ms alrededor de los límites de los hablantes para ser indulgentes con los errores de alineación cortos.
DER vs WER
Miden cosas ortogonales. WER mide si las palabras son correctas; DER mide si las etiquetas de los hablantes son correctas. Puedes tener un WER del 0% (transcripción perfecta) y un DER del 50% (cada etiqueta de hablante es incorrecta). Por el contrario, un WER del 50% y un DER del 0% significa que identificaste correctamente a los hablantes pero transcribiste mal la mitad de las palabras. La transcripción de producción se preocupa por ambas cosas: las reportamos por separado al medir la calidad.
En la práctica
Un podcast de 60 minutos con 2 anfitriones. Referencia: cada anfitrión habla 30 minutos. Nuestro sistema etiqueta 28 minutos como Anfitrión 1 (correcto), 30 minutos como Anfitrión 2 (correcto) y confunde 2 minutos (Anfitrión 1 → Anfitrión 2). DER = 2 / 60 = 3.3%. Excelente para un podcast limpio.
Términos relacionados
Probar transcripción multihablante
Comenzar — gratisÚltima actualización: 3 de noviembre de 2026
Preguntas frecuentes
¿Qué significa DER (Tasa de error de diarización) en el ámbito de la transcripción?
La métrica de precisión estándar para la diarización de hablantes: porcentaje del tiempo de audio en el que el sistema atribuye al hablante equivocado (o omite el habla). Los sistemas de vanguardia logran un DER del 5-15% en puntos de referencia conversacionales.
¿Por qué es importante DER (Tasa de error de diarización) al elegir un flujo de trabajo de transcripción?
DER (Tasa de error de diarización) influye en cómo entiendes la calidad, los tiempos y la compatibilidad de una transcripción, o la tecnología que produce los resultados de voz a texto.
¿Dónde puedo aplicar DER (Tasa de error de diarización) en Transcript.you?
Usa el flujo de trabajo relacionado en /interview-transcription para ver cómo se aplica este concepto del glosario a una tarea de transcripción real.
Explora el glosario de transcripción o lee el guía completa de transcripción por IA.