Diarización de hablantes (etiquetas de hablante)
La diarización determina quién habló y cuándo en una grabación, y etiqueta cada tramo de habla con un hablante, como Hablante 1 y Hablante 2.
Una transcripción simple es un solo bloque de texto. La diarización añade etiquetas de hablante para que una reunión, una entrevista o una llamada se lea como una conversación. Puede ser un modelo aparte que se ejecuta junto al transcriptor, o estar integrada en el modelo de voz, como en el VibeVoice-ASR de Microsoft y el Nemotron 3.5 Transcribe de NVIDIA, que ambos devuelven etiquetas de hablante.
Las etiquetas son anónimas: el modelo indica que hablaron personas distintas, no quiénes son. Los resultados empeoran con habla solapada, muchos hablantes y audio de mala calidad, así que escucha una muestra de tus propias grabaciones antes de fiarte de ella.
Términos relacionados
- Reconocimiento de voz (ASR, voz a texto) El reconocimiento de voz, también llamado ASR o voz a texto, convierte el audio hablado en texto escrito.
- Tasa de error de palabras (WER) La tasa de error de palabras es la puntuación estándar del reconocimiento de voz: la proporción de palabras de una transcripción que están mal, faltan o sobran frente a una referencia correcta.