Transcripción con distinción de hablantes
Diarización de hablantes frente a identificación de hablantes
Una responde «¿quién habló y cuándo?» mediante grupos anónimos. La otra pregunta si una voz coincide con una persona conocida. Confundirlas lleva a ajustes y expectativas equivocados.
Una transcripción puede distinguir participantes sin saber quiénes son. También puede reconocer una voz conocida, pero solo después de registrarla y compararla. Son tareas relacionadas, aunque resuelven problemas distintos y fallan de formas diferentes.
Dos preguntas distintas
Diarización: ¿quién habló y cuándo?
La diarización analiza una grabación, detecta regiones con habla, extrae características vocales y agrupa regiones similares. El resultado es una cronología con grupos anónimos:
00:00-00:12 Speaker_000:12-00:25 Speaker_100:25-00:41 Speaker_0
El sistema no necesita conocer el nombre de nadie. Resulta útil en entrevistas, reuniones, pódcast y llamadas donde la transcripción debe mostrar los turnos.
Identificación: ¿qué persona conocida es?
La identificación compara un hablante detectado con una biblioteca de muestras conocidas. Si la coincidencia supera el umbral de identidad, una etiqueta anónima puede sustituirse por un nombre. En Owl Meeting, la biblioteca se guarda localmente y se gestiona en la página Hablantes.
La identificación exige registro previo. Si una persona no está en la biblioteca, el sistema no puede deducir su identidad real únicamente a partir de la grabación.
| Diarización | Identificación | |
|---|---|---|
| Pregunta principal | ¿Quién habló y cuándo? | ¿Es una persona conocida y registrada? |
| Muestras previas | No son necesarias | Necesarias para asignar nombres automáticamente |
| Etiqueta habitual | Speaker_0 | Alex, Priya, Entrevistador |
| Ajuste principal | Número de hablantes o umbral de agrupación | Idioma de huella vocal y umbral de identidad |
| Error habitual | Una persona dividida o dos personas unidas | Una persona conocida sin coincidencia o asignada incorrectamente |
Cómo funciona el flujo combinado
Cuando ambas funciones están activadas para transcribir archivos, el orden importa:
- Detectar el habla. La grabación se divide en regiones que contienen voz.
- Agrupar las voces. La diarización reúne regiones que parecen proceder de la misma voz.
- Comparar muestras conocidas. Marcado de identidad compara cada grupo con la biblioteca local de huellas vocales.
- Aplicar un nombre al alcanzar el umbral. Una coincidencia fiable sustituye la etiqueta temporal; los grupos sin coincidencia siguen anónimos.
- Reconocer y revisar el texto. El reconocimiento produce la transcripción y el usuario verifica etiquetas y palabras con el audio original.
Los ajustes afectan a errores diferentes
Número de hablantes
Si conoces el número de participantes, indicarlo impone una restricción útil a la agrupación. El recuento automático es adecuado si se desconoce, pero depende más del umbral y de la calidad de la grabación.
Umbral de agrupación
Controla cuánta diferencia tolera la diarización dentro de un grupo. Un valor demasiado sensible puede dividir a una persona; uno demasiado permisivo puede unir dos voces similares. Pruébalo en un fragmento con cambios reales de hablante.
Idioma de la huella vocal
Owl Meeting ofrece modelos de huella vocal distintos para chino e inglés. Las muestras y los ajustes del archivo deben usar idiomas compatibles; de lo contrario, la identificación puede fallar aunque la diarización funcione.
Umbral de identidad
Determina la intensidad necesaria para aplicar un nombre conocido. Subirlo reduce coincidencias débiles, pero puede dejar personas sin nombre. Bajarlo identifica más segmentos, pero aumenta el riesgo de un nombre incorrecto. Si la identidad importa, favorece una asignación automática prudente.
Crea muestras de voz útiles
Una muestra debe representar a la persona, no a la sala. Usa un fragmento claro con solo el hablante objetivo y evita solapamientos, música alta u otra voz de fondo. Entre 5 y 30 segundos es un intervalo práctico en el flujo actual.
Una persona puede sonar distinta con un micrófono de conferencia, teléfono, auriculares o micrófono lejano. Añadir más de una muestra representativa puede ayudar si las grabaciones proceden de esas condiciones. No añadas muchos fragmentos casi duplicados y de mala calidad: más datos no siempre son mejores.
Diagnostica la etiqueta antes de cambiarlo todo
| Síntoma | Capa probable | Primera comprobación |
|---|---|---|
| Una persona aparece como dos hablantes | Diarización | Número de hablantes, umbral, cambios de micrófono o ruido de fondo |
| Dos personas comparten una etiqueta | Diarización | Indicar el número conocido o aumentar la sensibilidad |
| Los grupos son correctos, pero faltan nombres | Identificación | Marcado de identidad, idioma, muestras y umbral de identidad |
| Se asigna un nombre al grupo equivocado | Identificación | Subir el umbral y sustituir muestras contaminadas |
| Las etiquetas son correctas, pero las palabras no | Reconocimiento de voz | Modelo, calidad del audio, idioma y diccionario |
Separar estas capas evita un error frecuente: cambiar el modelo de reconocimiento para corregir la agrupación o cambiar el número de hablantes para corregir palabras. Evalúa por separado límites, nombres y texto.
Conoce los límites
- El habla simultánea puede ser difícil de asignar porque dos voces ocupan la misma región temporal.
- Las interjecciones muy breves quizá no contengan información suficiente para una agrupación o identificación estable.
- La voz varía con la enfermedad, emoción, distancia, micrófono, compresión y canal.
- Las voces similares pueden unirse y una voz cambiante puede dividirse.
- Los nombres automáticos deben revisarse antes de usarlos en actas formales, codificación de investigación o pruebas.
Para configurar, consulta Gestión de hablantes. Para agrupación y umbrales de archivos, consulta Transcripción de archivos.
Preguntas frecuentes
¿La diarización identifica a las personas por su nombre?
No. Divide la grabación en grupos como Hablante 0 y Hablante 1. Asignar una persona concreta requiere comparación de identidad o etiquetado manual.
¿Necesito muestras de voz para la diarización?
No. Puede agrupar voces sin una biblioteca registrada. Las muestras se necesitan para comparar grupos con personas conocidas y aplicar sus nombres automáticamente.
¿Por qué una persona aparece dividida en dos etiquetas?
La voz cambia con la distancia, el micrófono, la emoción, el ruido o el canal. El umbral también puede ser demasiado sensible. Indica el número conocido o ajusta el umbral y revisa.
Empieza con grupos de hablantes anónimos
Comprueba primero que la diarización crea los límites correctos. Añade la identificación solo cuando la agrupación sea estable.