RTTM — Formato de transcripción enriquecida con marcas de tiempo

Estructura de archivo RTTM

Texto plano, basado en líneas. Cada línea es un turno de un hablante, con 10 campos separados por espacios. Los importantes son: type (siempre "SPEAKER"), file_id, channel, start_time (segundos), duration (segundos) y speaker_id. Ejemplo:

SPEAKER meeting_001 1 12.45 3.20 <NA> <NA> speaker_A <NA> <NA>
SPEAKER meeting_001 1 15.80 5.10 <NA> <NA> speaker_B <NA> <NA>

RTTM vs SRT/VTT

SRT/VTT almacenan el texto transcrito para la visualización de subtítulos. RTTM almacena el tiempo del hablante sin texto: solo "el hablante A habló de 12.45s a 15.65s". Son complementarios: RTTM te dice quién hablaba cuándo; SRT/VTT te dice qué se dijo. Combínalos y obtienes una transcripción atribuida a un hablante.

Cuándo usar RTTM

Principalmente en investigación e integración de herramientas. Si estás comparando un sistema de diarización, RTTM es el formato de entrada/salida estándar y las herramientas de métricas (dscore, md-eval) lo consumen directamente. Para la transcripción de consumo, normalmente convertirías RTTM a un formato más fácil de usar (DOCX con etiquetas de hablante, SRT con anotaciones de hablante a nivel de pista) antes de mostrárselo a los usuarios finales, que es lo que hacemos.

En la práctica

No exponemos RTTM a los usuarios finales; la salida de diarización se integra directamente en la transcripción como anotaciones "Speaker 1:", "Speaker 2:". Pero internamente, nuestro pipeline de diarización produce RTTM como formato intermedio antes de fusionarlo con los segmentos de texto de Whisper mediante la superposición de marcas de tiempo.

Términos relacionados

• Diarización
• DER
• Incrustación de hablante

Última actualización: 3 de noviembre de 2026