Ideas clave
Una transcripción puede tener cada palabra bien escrita y aun así atribuirla a la persona equivocada, porque reconocer el habla y asignarla a un hablante son dos operaciones distintas. El etiquetado de hablantes se basa en las características de la voz, así que funciona mejor con pocas voces claramente diferentes captadas a un volumen similar por un mismo micrófono. Le cuesta mucho con personas que hablan al mismo tiempo, con quienes hablan bajo o se incorporan tarde a la conversación, y nunca va a darte nombres reales por sí solo: eso lo añades tú después.
Si alguna vez abriste la transcripción de una conversación en grupo y descubriste que la mitad estaba atribuida a la persona equivocada, seguramente las palabras en sí estaban bien. El problema está un nivel más arriba, en la parte del proceso que decide quién hablaba, no qué dijo. Esa parte funciona con información distinta y falla de manera distinta, y casi todo lo que determina si funciona bien se decide en el momento de grabar, antes de que cualquier software toque el archivo.
Vale la pena entender esto si estás a punto de grabar una entrevista, un panel o una charla familiar y realmente necesitas saber quién dijo qué, no solo qué se dijo. Parte tiene que ver con dónde ubicas el micrófono. Parte tiene que ver con aceptar que ciertas situaciones nunca se van a etiquetar bien, sin importar qué herramienta uses.
Dos tareas distintas, una sola transcripción
Reconocer las palabras y decidir quién las dijo no son la misma tarea, aunque terminen en el mismo documento. La primera tarea escucha el sonido y descifra el idioma: le resulta bastante indiferente de quién es la voz que lo produce. La segunda tarea escucha el mismo sonido pero se hace una pregunta distinta: ¿esta voz coincide con la de dos frases atrás, o es un hablante nuevo? Esa segunda pregunta se responde a partir de las características de la voz —el tono, el timbre, el ritmo, la huella acústica del habla de una persona— y no a partir de las palabras en sí.
Por eso una transcripción puede ser exacta palabra por palabra y aun así atribuir mal las líneas. La transcripción funcionó. La separación de hablantes, no. Pueden fallar de manera independiente, y cuando alguien dice que una transcripción está «mal», conviene revisar cuál de las dos tareas falló en realidad, porque la solución cambia según la respuesta.
Qué hace que la separación de hablantes funcione
La separación de hablantes rinde mejor con pocas voces que suenan claramente distintas entre sí, todas captadas por un mismo micrófono que escucha a todos a un volumen más o menos parejo. Ese es el caso ideal: dos o tres personas, voces distintas, un solo dispositivo de grabación ubicado en un punto desde donde escucha toda la sala de manera uniforme.
Cada desvío de ese ideal tiene un costo. Cuantos más hablantes haya, más chances de que dos voces suenen lo bastante parecidas como para confundirse. Las voces similares —dos personas de edad y acento parecidos, por ejemplo— son más difíciles de distinguir que una voz grave y una aguda. Y si a una persona el micrófono la capta mucho más fuerte que a otra, el sistema empieza a tratar las diferencias de volumen como si fueran diferencias de hablante, cuando no lo son.
Nada de esto es exótico. Se parece bastante a lo que notaría una persona si cerrara los ojos y simplemente escuchara. La ventaja del software es la paciencia y la consistencia a lo largo de una hora de audio, no algún sentido extra que el oyente humano no tenga.
Donde se rompe: la gente que habla al mismo tiempo
Hay una situación que rompe el etiquetado de hablantes de manera constante, y ninguna configuración, por buena que sea, la arregla: el solapamiento real, cuando dos personas hablan en el mismo instante. Durante ese solapamiento no hay una señal limpia que pertenezca a una sola voz —el audio es una mezcla de ambas— y no hay nada que atribuir con claridad. Lo que suele pasar es que las palabras de un hablante quedan absorbidas dentro del turno del otro, así que la transcripción muestra una sola intervención continua que en realidad fueron dos personas hablando a la vez.
Esto no es un error que se pueda corregir más adelante con un parche. Es un límite propio de la naturaleza del problema: no se puede separar dos voces solapadas en dos pistas limpias después de grabadas, no de forma confiable. Lo razonable es esperar que cualquier tramo de la grabación con solapamiento real necesite una revisión manual para aclarar quién dijo qué, o que simplemente quede atribuido a quien el sistema haya adivinado. Si tu conversación tiene mucha gente hablando encima de otra —un panel acalorado, una cena familiar con discusiones— da por hecho que esa parte de la transcripción va a necesitar corrección manual, y no juzgues toda la herramienta por esa sección.
Dónde ubicas el micrófono importa más que qué micrófono es
La distancia al micrófono afecta el etiquetado de hablantes más que la calidad del micrófono. Un teléfono apoyado en el centro de una mesa suele dar mejor separación de hablantes que un micrófono más sofisticado que está ubicado junto a una sola persona, porque los participantes callados o más alejados son justamente los primeros que el sistema pierde. Si alguien habla mucho más bajo que el resto porque está más lejos del micrófono, esa diferencia de volumen puede pesar más en el etiquetado que cualquier diferencia de equipo.
Para una conversación en grupo, esto lleva a una regla simple: coloca el dispositivo de grabación en un punto central, no en el lugar más cómodo. En el medio de la mesa, no en la punta más cercana a quien organiza. Si la gente está repartida por una sala en lugar de sentada cerca unos de otros, ese es un caso más difícil sin importar el equipo, y conviene saberlo de antemano en vez de descubrirlo después.
Cómo obtener nombres reales en vez de Hablante 1, Hablante 2
Nada en el audio le dice a un sistema de transcripción el nombre de nadie: puede detectar que hay dos voces distintas presentes, pero no tiene manera de saber que una se llama Priya y la otra Tom. Por eso el resultado sale etiquetado con identificadores anónimos: Hablante 1, Hablante 2, y así. Convertir esas etiquetas en nombres reales es un paso manual, y solo hace falta hacerlo una vez, al principio de la transcripción, haciendo coincidir cada etiqueta con un nombre.
Lo único que hace que ese paso sea fácil en vez de tedioso es que cada persona diga su nombre en voz alta cerca del comienzo de la grabación. Cuesta unos diez segundos y te da un punto de referencia claro: sabes que la voz que dice ‘soy Tom’ cerca del principio es la que hay que etiquetar como Tom durante el resto del documento. Si te saltas ese paso, terminas relacionando voces con nombres de memoria o por contexto, lo cual funciona pero lleva más tiempo y es más propenso a errores cuantos más hablantes haya.
Si grabas específicamente una entrevista, conviene incorporar este hábito desde el primer minuto de cada sesión: en transcribir entrevistas encontrarás más detalles sobre cómo prepararla bien desde el arranque. Para convertir una grabación ya terminada en texto etiquetado, convertir audio a texto explica el paso de conversión en sí, y una aplicación como la app de transcripción de SozAI puede generar etiquetas de hablante, resúmenes y traducción en un amplio número de idiomas una vez que tienes la grabación; poner los nombres reales a cada hablante después sigue siendo tarea tuya, pero es la parte rápida.
Qué esperar de manera realista
Incluso con una buena configuración, hay algunas situaciones que producen resultados previsiblemente imperfectos, y conviene conocerlas de antemano en lugar de tratarlas como fallos.
- A un hablante que se incorpora a mitad de la grabación, cuando el sistema ya definió sus perfiles de voz, suele fusionárselo con un hablante existente en vez de asignarle una etiqueta nueva.
- A alguien que solo dice unas pocas palabras en toda la grabación —un acuerdo breve, una pregunta de una línea— con frecuencia se lo agrupa con quien habló a su alrededor, porque no hay suficiente voz suya como para que el sistema construya un perfil aparte.
- El habla solapada real, como se explicó antes, tiende a colapsar dentro del turno de un solo hablante.
- Un grupo grande con muchas voces parecidas producirá más errores de etiquetado que un grupo pequeño con voces distintas, simplemente porque hay más ocasiones para la confusión.
Nada de esto es motivo para no transcribir una grabación complicada: son motivos para esperar una breve revisión manual en las secciones donde ocurren, en vez de suponer que hay que revisar todo el documento. Si vas a grabar algo que sabes que va a tener este tipo de complejidad, también conviene decidir de antemano si necesitas cada palabra transcrita o solo los momentos destacados y etiquetados; transcribir todo no siempre es la opción más útil, sobre todo en grabaciones largas donde principalmente necesitas saber quién se comprometió a qué —el tipo de caso que se aborda en convertir grabaciones en notas de reunión. Y si quieres probar cómo etiqueta una grabación en particular antes de comprometerte con un archivo largo, descargar la app desde la página de descargas y probar primero con una muestra corta te va a decir más que cualquier consejo general.
Qué es lo que realmente hace la diferencia
Si te llevas una sola idea de todo esto, que sea esta: la grabación importa más que el software. Un micrófono central, pocas voces claramente distintas, que todos digan su nombre al principio, y aceptar que el habla solapada va a necesitar una revisión manual: esa combinación te va a llevar más lejos que cualquier ajuste o función que elijas después. El etiquetado hace un trabajo real, pero trabaja con lo que la grabación le dio, y una grabación pensada desde el principio para separar bien a los hablantes siempre se va a etiquetar mejor que una que no lo tuvo en cuenta, sin importar qué programa se use después para transcribirla.
