Glosario
La diarización de hablantes es el proceso de segmentar una grabación de múltiples hablantes en enunciados por hablante — generalmente etiquetados como Hablante 1, Hablante 2, Hablante 3, etc. Es un modelo separado de la ASR base; Whisper por sí solo te da texto sin etiquetas de hablante. La diarización es lo que convierte '...deberíamos enviar el viernes. No estoy de acuerdo.' en 'Hablante 1: deberíamos enviar el viernes. Hablante 2: No estoy de acuerdo.'
Cómo funciona la diarización
Un pipeline de diarización hace tres cosas: (1) Detección de actividad de voz — encontrar segmentos donde alguien está hablando. (2) Incrustaciones de hablantes — extraer un vector de longitud fija que represente las características de voz de cada segmento. (3) Agrupamiento — agrupar segmentos por incrustaciones similares; cada grupo = un hablante. Los sistemas modernos (pyannote, NeMo, WhisperX) logran una Tasa de Error de Diarización (DER) del 5-15% en puntos de referencia conversacionales.
Por qué es importante para la transcripción
Sin diarización, una transcripción de entrevista de 60 minutos se lee como una pared de texto: no puedes saber quién está hablando. Con diarización, cada enunciado se atribuye y puedes realizar análisis a nivel de orador: extraer cada cita de una persona, calcular las proporciones de tiempo de habla, separar las preguntas del periodista de las respuestas del entrevistado. Añadimos IDs de orador como una función de un solo clic en las transcripciones donde es importante.
Limitaciones
La diarización falla en: voces que suenan similares (hermanos, mismo género + edad), solapamiento fuerte (dos personas hablando simultáneamente), enunciados muy cortos (un simple "sí"), y grabaciones con mucha reverberación. Espera una precisión del 90%+ en una entrevista de podcast limpia, cayendo al 70-85% en una llamada de conferencia de 5 personas grabada con un solo micrófono.
En la práctica
Sube un episodio de podcast de 2 anfitriones a Transcript.you y haz clic en Identificación de Orador. Etiquetamos cada párrafo con Orador 1 / Orador 2. Luego encuentras y reemplazas "Orador 1" por "Sarah" y "Orador 2" por "James" en el DOCX exportado. Tiempo total: 3 minutos para una hora de contenido.
Términos relacionados
Lecturas adicionales
Probar transcripción de entrevistas
Comenzar — gratisÚltima actualización: 3 de noviembre de 2026
Preguntas frecuentes
¿Qué significa Diarización en el ámbito de la transcripción?
El proceso de identificar "quién dijo qué" en una grabación con múltiples oradores. A menudo etiquetado como Orador 1, Orador 2, etc. Requiere un modelo separado de la transcripción base.
¿Por qué es importante Diarización al elegir un flujo de trabajo de transcripción?
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 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.