Inicio › Quién habla en una grabación

Transcripción con hablantes separados

Identificar quién habla en una grabación

Una transcripción en la que no se sabe quién habla obliga a volver al audio. Lesskeys separa las voces de la grabación y atribuye cada intervención a su hablante, con marcas de tiempo y etiquetas que puedes renombrar. Todo se calcula en tu propio Mac: ni el audio ni los perfiles de voz salen del equipo.

El problema: un muro de texto sin dueño

Una transcripción sin voces separadas es casi inútil en cuanto hay más de una persona. Tienes cuatro folios seguidos en los que no se distingue quién ha propuesto el cambio de plazo, quién ha puesto la objeción y quién ha aceptado. Para reconstruirlo hay que volver al audio, que es exactamente el trabajo que querías evitar.

Separar las voces resuelve eso: la grabación se divide por hablante y cada intervención aparece atribuida, con su marca de tiempo. En la documentación técnica la función aparece con un nombre que casi nadie escribe en un buscador (diarización); en español se describe como «saber quién habla» o «separar las voces», que es lo mismo y se entiende mejor.

Cómo identifica quién habla

El proceso ocurre entero en tu Mac y tiene tres fases encadenadas. Primero se detecta dónde hay voz y dónde no, para descartar silencios y ruido. Después, de cada tramo con voz se extrae una huella acústica —un vector de características de esa voz concreta— y se agrupan los tramos que se parecen entre sí: cada grupo es un hablante. Por último, cada grupo se cruza con el texto reconocido, de modo que el resultado ya viene con las intervenciones repartidas.

El sistema no necesita que le digas cuántas personas hay; lo estima solo. Si sabes el número exacto, indicarlo mejora bastante el resultado en grabaciones difíciles, porque le quitas al agrupamiento la parte más incierta del trabajo.

Las etiquetas salen genéricas —Hablante 1, Hablante 2— y se renombran con un clic. Ese cambio se propaga a toda la transcripción y al texto que exportes.

Perfiles de voz entre grabaciones distintas

Cuando pones nombre a un hablante puedes guardar su perfil de voz. A partir de ahí, en grabaciones posteriores el sistema reconoce esa voz y aplica el nombre automáticamente: si tienes una reunión semanal con el mismo equipo, dejas de etiquetar a las mismas cuatro personas cada lunes.

Dos aclaraciones importantes sobre ese perfil. La primera, técnica: se guarda en tu Mac, en la carpeta de la aplicación, y no se envía a ningún servidor ni se comparte con nadie; puedes borrarlo cuando quieras. La segunda, legal, y es la que trata el apartado siguiente.

Perfiles de voz, datos personales y consentimiento

Una voz identifica a una persona, así que un perfil de voz es un dato personal. Y en cuanto se usa precisamente para identificar a alguien —que es justo lo que hace esta función— entra en la categoría de datos biométricos del artículo 9 del RGPD, sometida a un régimen bastante más estricto que el de un dato personal corriente y sobre la que la Agencia Española de Protección de Datos ha publicado criterios específicos. Eso significa informar a las personas grabadas de que sus voces se van a etiquetar, contar con una base jurídica válida —normalmente su consentimiento— y consultar el caso con quien lleve la protección de datos en tu organización. Es un tratamiento más exigente, no una casilla más.

Lo que sí podemos afirmar es cómo está construido el programa: el perfil se genera y se almacena en local, no sale del equipo y se puede eliminar. Lo que no vamos a afirmar, porque no nos corresponde, es que un tratamiento concreto tuyo sea conforme a norma alguna: eso lo valora tu delegado de protección de datos o tu asesoría jurídica, en función de la finalidad, la base jurídica y las personas afectadas.

Sobre la grabación en sí, el marco español es razonablemente claro. Grabar una conversación en la que participas es lícito y no vulnera el secreto de las comunicaciones. Captar conversaciones ajenas en las que no intervienes es delito del artículo 197.1 del Código Penal, con pena de uno a cuatro años de prisión. Y que una grabación sea lícita no la hace libremente difundible: publicarla puede afectar al derecho al honor, a la intimidad y a la propia imagen que protege la LO 1/1982.

En el trabajo hay una capa más: el artículo 89.3 de la LOPDGDD restringe la grabación de sonido en el centro de trabajo a lo proporcional a riesgos relevantes, con deber de información a la plantilla y a la representación de los trabajadores. La práctica sensata cabe en tres líneas: anuncia la grabación al empezar, di también que vas a etiquetar las voces con nombre, y deja constancia del acuerdo. Preguntar «¿os importa que lo grabe?» al arrancar una reunión no llama la atención de nadie. Esto es una advertencia práctica, no asesoramiento jurídico.

Cuándo se equivoca

Aquí toca ser francos, porque la mayoría de las decepciones nacen de una expectativa mal puesta. La separación de voces funciona muy bien en una grabación ordenada y se degrada en estas situaciones:

• Voces solapadas. Cuando dos personas hablan a la vez, el tramo pertenece acústicamente a las dos y la atribución falla. Es el caso peor y el más frecuente en reuniones vivas.
• Voces muy parecidas. Dos personas del mismo sexo, edad y acento, grabadas con el mismo micro, pueden acabar fundidas en un solo hablante.
• Audio de mala calidad. Un micrófono en el centro de la mesa, un altavoz de portátil o una llamada con mala línea reducen mucho la información acústica disponible.
• Intervenciones muy cortas. Un «sí» o un «de acuerdo» sueltos dan poca señal y suelen quedar mal asignados.
• Cambios de micrófono. Si alguien pasa del manos libres al auricular a mitad de reunión, su voz cambia lo suficiente como para que aparezca como dos hablantes.

Precisamente por eso las etiquetas son editables y se pueden fusionar dos hablantes en uno o reasignar una intervención concreta. No publicamos porcentajes de acierto: dependen tanto del audio, del número de personas y del solapamiento que cualquier cifra suelta sería engañosa.

Dónde se nota más

En todos ellos, el atajo real no es el texto: es poder pulsar una frase y oír ese instante exacto de la grabación para comprobar el matiz antes de citarlo.

Cómo se usa

No hay nada que activar por separado. Transcribes el archivo —o grabas directamente desde la aplicación, con micrófono, sonido del sistema o ambos— y el texto sale ya repartido por hablantes. Después renombras las etiquetas, guardas los perfiles que quieras reutilizar y exportas: TXT para redactar, SRT o VTT si acompaña a un vídeo. El procedimiento completo está en cómo transcribir un audio.

Como todo lo demás en la aplicación, esto ocurre en tu equipo: el audio no se sube a ningún servidor, no hay cuenta de usuario y funciona con el wifi apagado. Es una descripción de la arquitectura, no un certificado de nada; el detalle está en transcripción sin nube.

Requisitos y precio

Hace falta un Mac con Apple Silicon (M1 o posterior) y macOS 13 (Ventura) o superior; los Mac con procesador Intel no son compatibles. El reconocimiento cubre 99 idiomas detectados automáticamente.

La descarga es gratuita y la versión gratuita tiene límites reales: 5 minutos de dictado al día y 5 transcripciones de audio y 5 de vídeo en total. Grabar no se limita nunca y volver a transcribir algo ya transcrito no consume cuota, así que puedes repetir una separación de voces con otros ajustes sin gastar nada. Pro levanta esos límites con una compra única de 49,99 $ dentro de la aplicación, sin cuota mensual; el App Store de España muestra el importe final en euros antes de que confirmes.

Y el recordatorio que cierra cualquier página honesta sobre esto: la transcripción con hablantes es un borrador de trabajo excelente y un documento final malo. Revísala antes de convertirla en un acta, en una cita publicada o en cualquier texto que comprometa a alguien; no se entrega con garantía de valor probatorio.

Preguntas frecuentes

También te interesa