Identificar hablantes en audio para seguir la conversación

Añade diarize: true al cuerpo del request. Si subes un archivo, envía diarize como campo del formulario. La guía de diarize explica qué combinaciones con source puedes usar.

Actívalo cuando importe saber quién dijo cada cosa: una entrevista, un panel o una conversación entre anfitrión e invitado. Para una nota de voz de una sola persona, las palabras y sus tiempos suelen bastar. La diarización de audio organiza los turnos; no reconoce cuentas, no averigua nombres ni autentica voces.

Decide antes de crear la transcripción. Esta opción cambia cómo procesamos la grabación; no es un formato que puedas elegir al descargar. Con source=auto omitimos los subtítulos. Los archivos que subas siempre se transcriben con IA, así que el ejemplo no depende de ninguna pista de una plataforma.

transcript.speakers contiene las etiquetas y cada segmento indica su speaker. transcript_source será speech_to_text porque los subtítulos no aportan esa información. Consulta los campos en la referencia de la transcripción.

Escucha la grabación antes de asociar Speaker 1 o Speaker 2 con una persona. Guarda esa relación en tu aplicación o en la copia que edites. Las etiquetas pertenecen a cada transcripción: Speaker 1 en otra entrevista no tiene por qué ser la misma persona.

Con speaker puedes mostrar una conversación por turnos; con include=words obtienes más detalle temporal. Conserva start y end en segundos para volver al audio durante la revisión. El JSON de abajo es ilustrativo, no una transcripción real del archivo del ejemplo.

format=srt añade el prefijo Speaker 1: al texto; format=vtt usa una etiqueta de voz. Con format=text obtienes una línea etiquetada por segmento. Compara los formatos de subtítulos antes de integrarlos en tu reproductor.

Prueba las etiquetas en el reproductor o editor que vayas a usar. Un prefijo útil en una entrevista de investigación puede estorbar en cada subtítulo. Puedes ajustar su presentación en la aplicación o en el archivo, conservando la relación con las etiquetas originales que ya revisaste.

Si dos personas hablan a la vez, el micrófono está lejos o la música tapa las voces, pueden fallar tanto las palabras como los cambios de hablante. Escucha los saltos de etiqueta que no tengan sentido. Para próximas grabaciones, los micrófonos separados y los turnos claros ayudan más que corregir después.

Empieza por un intercambio claro al inicio de la grabación. Identifica las voces y anota a quién corresponde cada etiqueta. Revisa también pasajes posteriores. Si el audio no permite saber quién habló, conserva esa duda en el texto en vez de asignar un nombre por contexto.

En entrevistas de investigación, usa el mismo criterio de revisión en todas las sesiones. En un panel público, confirma los nombres con la grabación y el contexto que tengas antes de publicar una cita atribuida.

Separar voces en un audio no equivale a identificar a una persona por su voz. No uses estas etiquetas para autenticar llamadas ni para concluir que alguien aparece en dos grabaciones. Cambiar de micrófono puede alterar una voz; cuando se superponen, tampoco siempre habrá una persona claramente asignable a cada segmento.