¿Qué es la diarización de audio?

24 de septiembre de 2026

Si has visto una transcripción con S0 y S1 delante de cada frase y te has preguntado de dónde salen esas etiquetas, la respuesta es la diarización. Merece la pena entenderla antes de montar nada encima, porque promete menos de lo que la gente cree.

Qué es, en una frase

La diarización de audio es el proceso de partir una grabación en tramos y decidir cuántas voces distintas hay y en qué momento habla cada una. Su nombre técnico completo es speaker diarization, y la pregunta que responde es exactamente esa: quién habla, cuándo. Ni una palabra más.

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 de hablante, locales a esa grabación. Ahí está la confusión que conviene aclarar de entrada.

Cómo funciona

La diarización no entiende lo que se dice; trabaja con el sonido. El proceso, a grandes rasgos, tiene tres pasos:

• Segmentación: se corta el audio en tramos donde hay una sola voz activa, detectando los silencios y los cambios de turno.
• Huella de voz: de cada tramo se extrae un vector que resume las características acústicas de esa voz —tono, timbre, cadencia—. Es una representación numérica, no una identidad.
• Agrupación: los tramos con huellas parecidas se juntan en un mismo grupo. Cada grupo pasa a ser un hablante, y recibe su etiqueta.

Por eso es un problema de agrupación acústica, no de reconocimiento. El sistema no compara tu voz contra ninguna base de datos: solo mira cuáles de los tramos de esta grabación se parecen entre sí. A menudo la diarización se combina con la transcripción, y así cada frase transcrita queda asignada a su etiqueta.

Cuándo la necesitas

Casi siempre que tengas más de una persona en la misma pista y quieras algo más que un bloque de texto:

• Llamadas de centralita: separar cliente y operador convierte una pared de texto en un diálogo legible y te deja medir quién habló cuánto.
• Reuniones y entrevistas: saber los turnos permite buscar una intervención concreta dentro de horas de grabación.
• Actas y resúmenes: un resumen sale mucho mejor si sabe quién dijo qué, en lugar de mezclarlo todo en una voz.

Si tu audio es de una sola persona —un dictado, un buzón, una nota de voz—, no necesitas diarización para nada. Ahí solo estorba.

Dónde están los límites

Esto es lo que la diarización no hace, y conviene tenerlo claro antes de prometérselo a nadie:

• No sabe quién es S0. No hay nombres detrás, y no los va a inventar. Poner cara y nombre a una etiqueta lo tienes que hacer tú, con contexto que ya tienes: los metadatos de la llamada, el orden de intervención, o el propio audio cuando alguien se presenta.
• Las etiquetas no cruzan grabaciones. El S0 del martes no tiene por qué ser el S0 del miércoles. Son locales a cada fichero.
• No es infalible. Dos voces parecidas pueden fundirse en una sola etiqueta, y una voz que cambia mucho de registro puede partirse en dos. El número de hablantes que detecta es una estimación.

Y hay una frontera que conviene no cruzar: identificar a una persona por su voz es tratamiento de datos biométricos, que el RGPD mete en categorías especiales y que exige un régimen completamente distinto. La diarización no es eso, y casi nadie que la pide necesita de verdad llegar tan lejos.

En resumen

La diarización te da el reparto de turnos de una conversación: cuántas voces y cuándo habla cada una. Es una herramienta muy útil cuando la usas por lo que es, y una decepción cara cuando esperas que te diga quiénes son.

En Uttera la tienes junto al resto del flujo de audio —transcribir, traducir, resumir y saber quién habla, sobre la misma grabación—, y puedes ver cómo encaja en los casos de uso. Las etiquetas las pone la máquina; los nombres, el contexto que tú ya tienes.

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

← Todas las entradas