BroadRouter
Comenzar

Diarización de hablantes (speaker diarization)

Actualizado

La diarización de hablantes es la tarea de dividir una grabación de audio en segmentos por hablante para responder "quién habló y cuándo". Etiqueta cada tramo de habla con un ID de hablante anónimo, como SPEAKER_00, y suele combinarse con una transcripción para mostrar qué persona dijo cada línea.

También llamado: diarización, diarización de hablantes, separación de hablantes, identificación de hablantes, quién habló y cuándo, speaker diarization, diarization, speaker diarisation, speaker labels, who spoke when, speaker separation, speaker segmentation

La diarización convierte un bloque de transcripción en una conversación: agente, luego cliente, luego agente otra vez.

Cómo funciona

Un pipeline de diarización suele tener tres etapas:

  1. Detectar el habla. La detección de actividad de voz marca dónde habla alguien.
  2. Generar embeddings de ventanas cortas. Un modelo de embeddings de hablante convierte cada fragmento en un vector que captura la voz.
  3. Agrupar. Los fragmentos con vectores parecidos reciben la misma etiqueta, y el habla superpuesta se trata cuando el modelo lo admite.

El pipeline abierto speaker-diarization-3.1 de pyannote en Hugging Face recibe audio mono a 16 kHz (mezcla el estéreo a mono y remuestrea otras frecuencias) y escribe los resultados en RTTM, un formato de texto plano con una línea por turno de hablante. Una línea RTTM indica el archivo, el canal, el inicio, la duración y la etiqueta del hablante:

SPEAKER call42 1 0.00 4.21 <NA> <NA> SPEAKER_00 <NA> <NA>
SPEAKER call42 1 4.35 2.80 <NA> <NA> SPEAKER_01 <NA> <NA>

Su ficha de modelo informa la tasa de error de diarización (DER) por benchmark, desde el 7.8% en REPERE hasta el 50.0% en AVA-AVD, con un 11.3% en VoxConverse. La dispersión muestra cuánto dependen los resultados del audio: reuniones, televisión y llamadas telefónicas se comportan de forma distinta.

Algunas API alojadas lo hacen por usted. La guía de voz a texto de OpenAI documenta un modelo de diarización, gpt-4o-transcribe-diarize, con una respuesta diarized_json cuyos segmentos llevan los campos speaker, start y end, y clips de referencia opcionales de 2 a 10 segundos para hasta cuatro hablantes conocidos. OpenAI marca ese modelo como obsoleto, con retirada el 26 de febrero de 2027, y su guía (consultada el 2026-11-15) no documenta etiquetas de hablante en ningún otro modelo.

Por qué importa

  • Centros de llamadas y entrevistas. La revisión de calidad, el cumplimiento normativo y los resúmenes necesitan saber quién dijo qué.
  • Trabajo posterior con LLM. Un prompt de resumen con turnos “Agent:” y “Customer:” da mejores respuestas que un bloque de texto continuo.
  • Costo. La diarización es cómputo adicional, con precio aparte o incluido, según el proveedor. El índice de precios de API de voz a texto indica qué proveedores la cobran aparte.

En BroadNet Inference

La documentación de BroadNet no menciona la diarización. El endpoint de transcripción devuelve solo {"text": "..."}, sin etiquetas de hablante ni marcas de tiempo. Un patrón práctico es ejecutar en local un diarizador abierto como pyannote, cortar el audio en cada turno de hablante con ffmpeg y enviar cada clip a BroadNet Transcribe Arabic o a BroadNet Transcribe con language definido. Si las dos partes están en canales estéreo separados, divida los canales; eso no requiere ningún modelo. Consulte cómo transcribir grabaciones de un centro de llamadas para el flujo completo.

Preguntas frecuentes

¿La diarización me dice el nombre del hablante?

No. Devuelve etiquetas anónimas como SPEAKER_00 y SPEAKER_01. Algunas API, como gpt-4o-transcribe-diarize de OpenAI (obsoleto, se retira el 26 de febrero de 2027), pueden asociar hasta cuatro hablantes con clips de referencia breves que usted proporcione.

¿La API de transcripción de BroadNet hace diarización?

La documentación de BroadNet no menciona la diarización. El endpoint devuelve la transcripción como {"text": ...}, así que ejecute un modelo de diarización aparte si necesita los turnos de cada hablante.

¿Cómo se mide la precisión de la diarización?

Con la tasa de error de diarización (DER), que suma el tiempo de falsas alarmas, habla omitida y confusión de hablantes, y lo divide entre el tiempo total de habla de referencia. Cuanto menor, mejor.

Leer en MarkdownPreguntar a ChatGPTPreguntar a ClaudePreguntar a Perplexity