Identificar hablantes

Escucha las pausas entre tramos de habla y corta el audio en segmentos, etiquetándolos como turnos alternos (Hablante 1, Hablante 2) con tiempo de inicio y fin. Lea el límite con honestidad: segmenta turnos por silencio, no identifica las voces ni deduce el número real de hablantes distintos.

Qué hace realmente esta tarea

Ejecuta una segmentación ligera de turnos, no un reconocimiento acústico de hablantes. La grabación se transcribe y, allí donde hay una pausa lo bastante larga entre segmentos, la etiqueta cambia al siguiente turno, alternando entre dos marcas. Eso le da una estructura segmentada y con tiempos —un ida y vuelta legible en lugar de un bloque sin diferenciar— que resulta genuinamente útil como primer paso en una conversación de dos personas. Lo que no es es un modelo que escuche las características de la voz y decida quién es quién: las etiquetas salen del ritmo de las pausas, no de distinguir una voz de otra.

Qué devuelve la tarea

Envíe un archivo de audio por POST a /audio/diarize y la tarea devuelve una lista de turnos: cada turno lleva una etiqueta de hablante (Hablante 1 o Hablante 2), el texto de ese tramo y su tiempo de inicio y fin. También informa cuántas etiquetas distintas usó, que en este enfoque por pausas son como mucho dos: esa cuenta es una propiedad de la segmentación, no una medición de cuántas personas hay realmente en la sala. Combinada con una transcripción, obtiene una estructura tipo guion, con tiempos, fácil de repasar.

Dónde encaja el enfoque por pausas y dónde no

Encaja en un intercambio limpio de dos personas —una entrevista, una llamada uno a uno— donde los hablantes se turnan casi siempre y las pausas coinciden con el cambio de voz. No encaja en un panel con varios participantes, con mucho solapamiento de voces, ni en un caso donde necesite seguir a cada persona real de forma consistente en toda la grabación: alternar dos etiquetas por silencio los etiquetará mal. Si su flujo necesita que se determine el número real de hablantes o que se relacionen las voces con identidades, esa es una tarea distinta y más pesada que la que hace este endpoint, y esta página no fingirá lo contrario.

Para qué sirve aún una segmentación de turnos

Aun sin reconocimiento real de hablantes, dividir una grabación de dos personas en turnos con tiempos ahorra trabajo de verdad: convierte un muro de transcripción en un intercambio legible que puede repasar, citar por su tiempo o pasar a un paso de notas. Un equipo de soporte que revisa una sola llamada de agente y cliente, un periodista que limpia una entrevista uno a uno o un productor que trocea un segmento de dos presentadores en turnos legibles obtienen valor de una estructura de primer paso que pueden corregir a mano donde importe, en lugar de partir de un bloque sin diferenciar.

Precio y cómo se factura

El costo es una tarifa base pequeña por solicitud más una tarifa por minuto según la duración de la grabación, publicada en esta página. La tarea procesa de forma asíncrona: envíe el audio, reciba un task_id de inmediato y recolecte el resultado segmentado por turnos mediante webhook firmado o desde un enlace firmado válido por 24 horas; una tarea fallida reintenta automáticamente hasta tres veces y nunca se cobra si sigue sin completarse.