En resumen
- Identificar quién habla va por separado de reconocer las palabras. Este proceso detecta quién intervino en cada momento y puede fallar aunque el texto sea exacto.
- El programa agrupa los fragmentos de audio por voz y tú le pones nombre a cada grupo. Hasta que no se lo indicas, el sistema no sabe quién es quién.
- Las causas más comunes de errores en las etiquetas son las personas que hablan a la vez, las voces parecidas, las respuestas breves y el uso de un solo micrófono compartido en la sala.
- Grabar un audio limpio ayuda más que cualquier ajuste del programa. Usa un micrófono por persona, evita que hablen a la vez y empieza con presentaciones en voz alta.
- Revisa las etiquetas en los cambios de turno y compruébalas siempre dos veces antes de citar a alguien o asignarle una tarea.
¿Qué hace exactamente la identificación de hablantes?
El reconocimiento de voz pasa el sonido a texto. La identificación de hablantes, que suele llamarse diarización, se ocupa de otra cosa: saber quién habló y en qué momento. Para ello, corta la grabación en fragmentos de voz, analiza cómo suena cada una y junta las partes que parecen de la misma persona. De ahí salen varios grupos sin nombre, que normalmente aparecen como Hablante 1, Hablante 2, etcétera.
Esos grupos vienen sin nombre a propósito. El programa nota que dos fragmentos tienen la misma voz, pero no tiene forma de saber que es Noa, la de finanzas. Ponerle nombre a cada persona es algo que haces una sola vez. A partir de ahí, todo lo que diga esa voz llevará su nombre.
Como reconocer las palabras e identificar a los hablantes van por separado, cada parte puede fallar por su cuenta. Una transcripción puede recoger cada palabra sin un solo fallo y, aun así, atribuirle la frase a quien no la dijo. Al revisar, conviene mirar el texto por un lado y las etiquetas de los hablantes por otro.
¿Por qué a veces etiqueta a la persona equivocada?
El problema más común es que dos personas hablen a la vez. En ese trozo de audio se mezclan dos voces, pero como el sistema solo puede asignarle cada momento a un hablante, tiene que elegir a uno. El segundo problema son las respuestas cortas como «sí», «claro» o «vale». En medio segundo apenas hay datos de la voz, así que esas palabras sueltas suelen sumarse a la intervención de quien habló justo antes.
También cuesta más separar voces que se parecen. Si dos compañeros de la misma edad y con el mismo acento hablan frente al micrófono de una misma computadora portátil, hasta a una persona prestando atención le costaría distinguirlos. En una llamada telefónica grabada en mono pasa algo parecido: las dos voces entran por un único canal y además vienen comprimidas por la línea.
La sala donde se graba también cuenta. Con el tiempo el eco desdibuja la voz, y si alguien se aleja del micrófono puede sonar como otra persona. En las grabaciones largas la voz también cambia por el cansancio, el entusiasmo o al aclararse la garganta. Por eso el programa podría separar a una misma persona en dos grupos o juntar a dos personas en un único grupo.
¿Cómo grabar para que los hablantes se separen con claridad?
Haz que cada persona tenga un micrófono cerca. Dejar un solo aparato en el centro de la mesa es cómodo, pero es lo que peor separa las voces. Si pones un micrófono o un teléfono cerca de cada persona, o si quienes entran en remoto usan auriculares con micrófono, los grupos de voz se distinguen mucho mejor. En una entrevista entre dos, pon la grabadora en medio, un poco más cerca de quien hable más bajito.
Pide a la gente que hable por turnos. Lo más sencillo para ganar precisión es acordar al principio de la reunión que cada uno termine su frase antes de que hable el siguiente. En una charla animada es normal pisarse un poco y no vas a evitarlo del todo, pero con que pase menos ya te ahorras tiempo al revisar.
Empieza con las presentaciones: pide a cada persona que diga su nombre y una frase completa. Así queda una muestra limpia de cada voz y una referencia fiable para poner nombre a los grupos después. Bastará con que escuches el primer minuto para saber quién es quién.
¿Cómo nombrar a los hablantes y conservar esos nombres?
Abre la transcripción, escucha la primera frase de cada grupo y escribe el nombre real de esa persona. En KolWrite puedes cambiarle el nombre a un hablante mientras vas leyendo, y el cambio pasa a todos los archivos que exportes, de modo que tanto el documento de Word como el archivo de subtítulos coinciden con lo que ves en pantalla. Aunque el primer paso para separar las voces se hace en la nube, un banco de voces local puede guardar los nombres de las personas y reconocer sus voces directamente en tu dispositivo. Así no tienes que volver a subir el audio para identificar una voz a la que ya le pusiste nombre.
Escribe los nombres como esperen verlos quienes vayan a leer el texto: nombre completo y cargo para actas formales, o solo el nombre de pila para notas internas. Si tienes una serie de reuniones, usa siempre el mismo formato; así, al buscar a alguien, saldrán todas sus intervenciones.
Si en la grabación habla alguien a quien no logras identificar, ponle al grupo una etiqueta con lo que sepas, como Invitado o Llamante, y déjalo así. Es peor poner un nombre equivocado que uno genérico.
¿Cómo verificar las etiquetas rápidamente?
No hace falta leerse toda la transcripción para comprobar las etiquetas. En las partes importantes, ve directo a los momentos en que cambia el hablante y escucha el primer segundo después de cada cambio. Los fallos suelen concentrarse cuando las voces se superponen, en las respuestas cortas y justo después de una pausa.
Comprueba cada cita textual y cada compromiso. Si el resumen dice que Omar prometió mandar un archivo, escucha esa línea en concreto. Que una etiqueta esté mal en un comentario de pasada no tiene importancia, pero si falla en una promesa, una cifra o una queja, cambia lo que queda registrado que pasó.
Si una línea suelta tiene la etiqueta equivocada, corrígela en esa misma línea; si a una persona la han partido en dos grupos, arréglalo por grupo poniéndoles el mismo nombre a ambos para que se unan. Toda transcripción automática tiene fallos y necesita revisión, y las etiquetas de los hablantes son parte de ella.
¿Cuándo son más importantes las etiquetas de hablantes?
Las etiquetas de hablantes importan siempre que haya que atribuir las palabras a una persona concreta, como en actas de reuniones, entrevistas, llamadas de clientes, audiencias y sesiones de investigación. En cambio, importan mucho menos cuando graba una sola persona, por ejemplo en conferencias o notas de voz, donde basta con un bloque continuo de texto.
También importan en cualquier grabación que vayas a traducir o subtitular. Si los subtítulos llevan los nombres, quien ve el video sabe quién habla aunque esa persona no salga en pantalla. Deja listos los nombres de los hablantes antes de exportar el archivo.
Preguntas frecuentes
¿Qué es la diarización de hablantes?
Es el proceso de cortar una grabación de audio en fragmentos según quién habla, para saber quién intervino en cada momento. El programa les pone etiquetas anónimas y tú las cambias por los nombres reales.
¿Puede una transcripción separar a dos personas que hablan al mismo tiempo?
No de manera fiable. Cuando las voces se superponen, en ese mismo tramo de audio hay dos personas hablando y el programa normalmente le asigna la etiqueta a una sola. Revisa siempre de oído las partes donde se superponen las voces.
¿Cuántos hablantes se pueden identificar en una sola grabación?
No hay un número máximo fijo. Cuanta más gente hay, más se parecen las voces o más ruido de fondo se cuela, más cuesta separarlas. Como mejor sale es con un grupo pequeño y un micrófono para cada persona.
¿Todos los modelos de KolWrite separan a los hablantes?
No. Algunos de los modelos más rápidos se saltan este paso. Si necesitas etiquetas de hablantes, mira la descripción del modelo en la aplicación y elige uno que incluya la separación de hablantes.
¿Debo volver a nombrar a los hablantes en cada grabación?
Si es una grabación suelta, sí. Pero si grabas a las mismas personas a menudo, el banco de voces puede guardar sus nombres y reconocer sus voces directamente en tu dispositivo, aunque siempre conviene confirmar que haya acertado.
