Glosario
Una incrustación de hablante (speaker embedding) es un vector de longitud fija (típicamente 192 o 256 dimensiones) que representa numéricamente las características de voz de un hablante: tono, formantes, resonancia del tractos vocales, estilo de habla. El mismo hablante produce incrustaciones similares en grabaciones diferentes; los hablantes diferentes producen incrustaciones diferentes. Las incrustaciones de hablante son el motor detrás de la diarización de hablantes y la verificación de hablantes.
Cómo se calculan las incrustaciones
Una red neuronal entrenada con miles de horas de datos de hablantes etiquetados (VoxCeleb, etc.) aprende a generar un vector para cada segmento de audio de entrada de modo que los vectores del mismo hablante se agrupen y los vectores de hablantes diferentes estén lejos. Arquitecturas comunes: x-vectors (basado en TDNN), ECAPA-TDNN (SOTA actual), WavLM speaker embeddings (basado en transformadores). Dimensiones de salida: 192 (ECAPA) o 256 (x-vector).
Caso de uso 1: diarización
Toma una grabación de múltiples hablantes, segmentala mediante VAD, calcula una incrustación de hablante por segmento y luego agrupa las incrustaciones (k-means o aglomerativo). Cada grupo = un hablante. Etiquétalos como Hablante 1, Hablante 2, etc. El usuario los renombra después. Esto es exactamente lo que se ejecuta cuando haces clic en "Speaker ID" en una transcripción de Transcript.you.
Caso de uso 2: verificación de hablantes
"¿Es esta la voz de Sarah?" Calcula la incrustación de referencia de Sarah a partir de una grabación conocida. Calcula la incrustación de la nueva grabación. Calcula la similitud de coseno. Por encima del umbral → mismo hablante. Así funcionan la biometría de voz (inicio de sesión de voz bancaria, personalización de Siri "Hey Siri"). Actualmente no realizamos verificación; la diarización es suficiente para la claridad de la transcripción.
En la práctica
Arrastra una grabación de Zoom de 4 personas a Transcript.you y haz clic en Speaker ID. Segmentamos por VAD, calculamos una incrustación ECAPA para cada enunciado (~1 segundo cada uno) y luego agrupamos las incrustaciones en 4 grupos. Cada enunciado recibe una etiqueta de Hablante N. Usa buscar y reemplazar para renombrarlos a personas reales. Tiempo total de procesamiento: ~10 segundos para una llamada de 1 hora.
Términos relacionados
Lecturas adicionales
Probar transcripción multihablante
Comenzar — gratisÚltima actualización: November 01, 2026
Preguntas frecuentes
What does Speaker embedding mean in transcription?
Un vector de longitud fija que captura las características de voz de un hablante. Se utiliza en la diarización para agrupar segmentos por identidad del hablante sin conocer los nombres de antemano.
Why does Speaker embedding matter when choosing a transcription workflow?
Speaker embedding affects how you understand transcript quality, timing, compatibility, or the technology behind speech-to-text results.
Where can I apply Speaker embedding 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.