Diarización: cómo AudioMap entiende quién dice qué

Diarización: cómo AudioMap entiende quién dice qué

2 min de lectura

Identificar voces es más difícil de lo que parece. Te contamos cómo lo resolvemos sin llenar tu disco de embeddings.

por Equipo AudioMap

Índice del artículo
  1. Por qué es difícil
  2. Cómo lo abordamos
  3. Lo que NO hacemos
  4. Resultados

"Diarización" es la palabra técnica para algo que hace tu cerebro sin pensar: distinguir voces en una conversación. Para una máquina es uno de los problemas más difíciles del audio.

Por qué es difícil

  • Voces parecidas (hermanos, mismo género, mismo acento).
  • Solapamientos: la gente habla encima.
  • Cambios de canal: alguien deja el ordenador y vuelve.
  • Ruido: aire acondicionado, otro idioma de fondo.

La transcripción puede tener 99% de precisión y aun así, si los speakers están mal asignados, la nota es inservible.

Cómo lo abordamos

Embedding por segmento. Dividimos el audio en chunks de 1-3 segundos, pasamos cada chunk por un modelo de speaker embedding (entrenado en español + inglés + portugués). Cada chunk produce un vector de ~512 dims.

Clustering progresivo. Agrupamos vectores en clusters. El número de clusters no se fija a priori: se infiere por densidad. Esto permite que una reunión con 2 personas no genere 5 speakers ficticios y una con 8 sí los detecte.

Refinamiento con prosodia. Usamos ritmo, pausas y entonación como señales secundarias para mejorar la frontera entre speakers cuando los embeddings dudan.

Re-identificación opcional. Si el usuario etiqueta a un speaker ("este es Juan"), el embedding queda guardado en su cuenta. En reuniones futuras, Juan se identifica automáticamente.

Lo que NO hacemos

No subimos tu voz a un repositorio público. Los embeddings son solo tuyos y se borran si pides borrarlos. La identificación entre cuentas no existe.

Resultados

En benchmarks internos con audio de Zoom típico:

  • Speaker error rate: 4.7% en español, 5.1% en inglés.
  • Cuando hay >5 speakers, sube a ~9%.
  • Solapamientos detectados con 87% de precisión.

Comparado con servicios genéricos (que dan 12-18% de error en español), la mejora es notable. La razón es simple: optimizamos para el caso real (reuniones de equipo y entrevistas), no para podcasts profesionales.

¿Listo para probarlo?

Graba tu próxima reunión y obtén un resumen accionable en segundos.

Empieza gratis

Sigue leyendo