# Diarización de hablantes: qué es, cómo se mide y por qué en una sala es difícil > Separar un audio por persona según su voz. Cómo se mide con el DER, qué tan bien lo hacen hoy las recetas abiertas y por qué Resumi separa por pista y todavía no por voz. Publicada: 2026-10-24 · Actualizada: 2026-10-24 · Por Israel Ortiz · Versión 1.0 · https://resumi.do/guias/diarizacion-de-hablantes/ 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](https://www.isca-archive.org/interspeech_2023/bredin23_interspeech.html)). 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](https://github.com/pyannote/pyannote-audio), 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](/seguridad/#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. ## Fuentes - [Bredin, «pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe», Interspeech 2023](https://www.isca-archive.org/interspeech_2023/bredin23_interspeech.html) - [pyannote.audio, tabla de resultados de diarización (septiembre de 2025)](https://github.com/pyannote/pyannote-audio) ## Cómo citar esta guía Ortiz, I. (2026-10-24). 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