Diarización: te dice cuántos hablan y cuándo, no quiénes son

15 de septiembre de 2026

Cuando pides una transcripción con separación de interlocutores, lo que recibes es algo así:

S0 — Buenos días, le llamo por el pedido 4471. S1 — Un momento que lo miro. S0 — Sin prisa.

S0 y S1 no son nombres. Son etiquetas. Y ahí está toda la confusión que merece la pena aclarar antes de que alguien monte algo encima.

Lo que la diarización sí hace

Detecta cuántas voces distintas hay en la grabación y en qué momento habla cada una. Es un problema de agrupación acústica: el sistema separa los tramos de audio por características de la voz y decide cuáles pertenecen al mismo hablante.

Eso ya vale mucho. Convierte una pared de texto en un diálogo legible, permite medir quién habló cuánto, y hace que buscar una frase dentro de nueve horas de grabación sea una tarea posible.

Lo que no hace

No sabe quién es S0. No tiene ni idea. No hay ninguna base de datos de voces detrás contra la que comparar, y no la va a haber: eso sería un registro biométrico, que es otra categoría de producto y otra categoría de problema legal.

Tampoco garantiza que S0 sea la misma persona entre dos grabaciones distintas. Las etiquetas son locales a cada audio. En la llamada del martes S0 puede ser el cliente y en la del miércoles el operador.

Y no es infalible dentro de una misma grabación: dos voces parecidas pueden fundirse en una etiqueta, y una sola voz que cambia mucho de registro puede partirse en dos.

Cómo se convierte en «quiénes» sin inventar nada

Casi siempre, con contexto que tú ya tienes y que el audio no:

• En una llamada de centralita, quien llama y quien contesta están en los metadatos de la llamada. La diarización te da el reparto de turnos; el CDR te da los nombres.
• En una reunión, el orden de intervención suele bastar: quien abre la sesión es casi siempre el mismo.
• Y a veces lo dice el propio audio: «Buenos días, soy Marta».

Es menos elegante que pedirle el nombre al modelo, pero tiene una ventaja enorme: no se lo inventa.

Dónde está la frontera que no cruzamos

Podría parecer que el paso siguiente natural es identificar hablantes por su voz. No lo es, y no lo vamos a ofrecer: identificar a una persona por una característica física es tratamiento de datos biométricos, que el RGPD mete en categorías especiales y que exige un régimen completamente distinto — y que, sobre todo, casi nadie que lo pide necesita de verdad.

Lo mismo aplica a lo que sí ofrecemos y conviene usar con cabeza: el perfil del hablante y el análisis de tono son estimaciones acústicas, se equivocan, y no deben usarse para decidir sobre una persona. Está escrito en la documentación y lo repetimos en cada sitio donde aparece la función.

¿Algo que añadir o que corregir? Escríbenos a support@uttera.ai. Si nos corriges, editamos la entrada y te damos crédito.

← Todas las entradas