Diarización: cómo AudioMap entiende quién dice qué
Identificar voces es más difícil de lo que parece. Te contamos cómo lo resolvemos sin llenar tu disco de embeddings.
Una mirada honesta al stack de IA que convierte un MP3 en una nota accionable.
Construir un buen producto de notas no es elegir el modelo más nuevo. Es orquestar tres modelos en el orden correcto y saber cuándo cada uno gana.
Empezamos con Whisper Large v3 (OpenAI) self-hosted en GPUs propias. Razones:
Para audio largo (>30 min), pre-segmentamos con VAD (voice activity detection) para evitar que el modelo se pierda. Para idiomas mixtos en la misma reunión, hacemos detección por chunk y enviamos cada uno a una pasada específica.
Como contamos en el artículo dedicado, esta capa es propia: embeddings + clustering + prosodia. La salida es la transcripción de Whisper enriquecida con etiquetas de speaker en cada turno.
Aquí usamos Gemini 2.5 Pro como modelo principal por tres razones:
Para tareas específicas (clasificación de tareas, extracción de fechas) usamos modelos más pequeños y baratos: no es necesario un cañón para ese trabajo.
Esta es la capa que más cariño le tenemos. Usamos retrieval con embeddings sobre la propia transcripción + diarización: cuando preguntas algo, recuperamos el fragmento exacto y se lo damos al modelo. Esto significa que las respuestas tienen citas verificables (timestamp + texto literal).
Cada modelo está donde es mejor, no donde es más vistoso. El stack se actualiza cuando un modelo nuevo gana en evaluaciones reales contra el actual, no cuando sale un anuncio.
Graba tu próxima reunión y obtén un resumen accionable en segundos.
Empieza gratisIdentificar voces es más difícil de lo que parece. Te contamos cómo lo resolvemos sin llenar tu disco de embeddings.
Qué puede y qué no puede hacer la IA con tus reuniones hoy, y por qué la mayoría de promesas del mercado son humo.
Cómo un producto construido en Madrid está resolviendo el problema de las notas de reunión para equipos de toda Europa.