---
title: "¿Qué es la diarización? Quién habló y cuándo en un audio"
description: "La diarización de hablantes divide una grabación por hablante para que la transcripción muestre quién habló y cuándo. Cómo funciona, cómo se mide y cómo añadirla."
url: https://broadrouter.com/es/glossary/diarization/
lang: es
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/diarization/) (actualizado el 2026-11-16).

# Diarización de hablantes (speaker diarization)

Actualizado 2026-11-16

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](https://broadrouter.com/es/glossary/vad/) 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:

```text
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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/es/glossary/timestamps-asr/). 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](https://broadrouter.com/es/models/cohere-transcribe-arabic/) o a [BroadNet Transcribe](https://broadrouter.com/es/models/cohere-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](https://broadrouter.com/es/blog/transcribe-call-center-recordings/) 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.

## Vea también

-   [Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/) (término)
-   [Detección de actividad de voz (VAD)](https://broadrouter.com/es/glossary/vad/) (término)
-   [Marcas de tiempo en voz a texto (timestamps)](https://broadrouter.com/es/glossary/timestamps-asr/) (término)
-   [Tasa de error por palabra (WER)](https://broadrouter.com/es/glossary/word-error-rate/) (término)
-   [Frecuencia de muestreo (sample rate)](https://broadrouter.com/es/glossary/sample-rate/) (término)
-   [API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/) (guía)
-   [Cómo transcribir grabaciones de call center: pipeline listo para árabe](https://broadrouter.com/es/blog/transcribe-call-center-recordings/) (artículo)
-   [API de voz a texto en árabe: cómo elegir una en 2026](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-diarization&utm_content=page-cta) ·

**Fuentes**

-   [pyannote, ficha del modelo speaker-diarization-3.1 en Hugging Face](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [Referencia de pyannote.metrics, tasa de error de diarización](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI, guía de voz a texto (diarized\_json y hablantes conocidos; consultada el 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI, retiradas de modelos, modelos de voz a texto (consultada el 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Referencia de la API de BroadNet Inference, transcripción (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-diarization&utm_content=sources)
