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: November 01, 2026
Preguntas frecuentes
What does DER (Diarization Error Rate) mean in transcription?
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.
Why does DER (Diarization Error Rate) matter when choosing a transcription workflow?
DER (Diarization Error Rate) affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply DER (Diarization Error Rate) on Transcript.you?
Use the related workflow at /interview-transcription when you want to see how this glossary concept connects to an actual transcription task.
Explora el glosario de transcripción o lee el guía completa de transcripción por IA.