Publicada el · por Israel Ortiz · versión 1.0
En audio, diarizar es separar una grabación por persona según su voz: decir quién habló y cuándo, sin saber de antemano cómo suena cada quien. Se mide con el DER, la parte del tiempo de habla que queda mal atribuida.
¿Cómo se mide?
Con el DER (diarization error rate): el tiempo de habla mal atribuido dividido entre el tiempo de habla total. Suma tres errores: voz que el sistema no detectó, voz que detectó donde no la había y voz asignada a la persona equivocada. Menos es mejor.
¿Qué tan bien funciona hoy?
La receta abierta más usada es la de pyannote (Bredin, 2023). Su versión Community-1 reporta, en las reuniones del corpus AMI, 17.0 % de DER con un micrófono por persona y 19.9 % con un solo micrófono de sala (tabla de su repositorio, septiembre de 2025).
Es decir: en una reunión grabada con un solo micrófono, una de cada cinco partes del tiempo de habla queda mal atribuida, aun con la mejor receta abierta.
¿Por qué en una sala es más difícil?
Con un micrófono por persona, cada voz llega limpia a su canal. Con uno de sala, todas llegan mezcladas, a distintas distancias y a veces al mismo tiempo, y el sistema tiene que separarlas solo por cómo suenan. En AMI, la misma receta pasa de 17.0 % a 19.9 % de DER.
¿Qué hace Resumi?
En una videollamada, Resumi no necesita adivinar: graba tu micrófono («Tú») y el audio del sistema («Ellos») en pistas separadas. En una reunión presencial todo entra por el micrófono y queda como una sola voz; puedes renombrar hablantes a mano.
Separar por voz está en pruebas, fuera de la app: con 6 llamadas sintéticas queda justo en la raya del mínimo que nos pusimos, y antes de salir tiene que pasarlo con grabaciones reales. El método está en Las mediciones.
Preguntas
¿Qué es la diarización de hablantes?
Separar una grabación por persona según su voz: quién habló y cuándo, sin saber de antemano cómo suena cada quien.
¿Qué es el DER?
La tasa de error de la diarización: el tiempo de habla mal atribuido, sumando voz no detectada, voz detectada donde no la había y voz asignada a la persona equivocada, dividido entre el tiempo de habla total.
¿Resumi distingue quién habla?
Por pista, no por voz: en una videollamada separa tu micrófono («Tú») del audio del sistema («Ellos»). Separar por voz está en pruebas, fuera de la app.
¿Funciona en una reunión presencial?
Graba y transcribe, pero todo entra por el micrófono y queda como una sola voz. Puedes renombrar hablantes a mano después.
Términos
Fuentes
Cómo citar esta guía
Ortiz, I. (24 de octubre de 2026). Diarización de hablantes: qué es, cómo se mide y por qué en una sala es difícil Resumi. https://resumi.do/guias/diarizacion-de-hablantes/ · versión 1.0