Ir al contenido principal
Español— Elegir un idioma
Menú

Diarización: identificar quién habla

Lección 7 de 16 Actualizado el 3 de noviembre de 2026 Desarrollador
En esta página
  1. Qué es la diarización
  2. Activar la diarización
  3. Utilizar los resultados
  4. Generar un informe estructurado
  5. Llegar hasta el análisis completo
  6. Lo que la diarización no hace
  7. Nombrar interlocutores con clips de referencia
  8. Puntos clave

Curso actualizado el 3 de noviembre de 2026 para Voxtral 3, basado en la guía de Mistral Migrate from Voxtral 2: los modelos de Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603, obsoletos desde el 31 de octubre de 2026 y retirados el 30 de abril de 2027) se sustituyen en los ejemplos por voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 y voxtral-mini-tts-3-0. Cambios clave: las marcas temporales son solo por segmento (word devuelve un error 400), la diarización está disponible en tiempo real, la configuración de sesión en tiempo real se bloquea tras el primer fragmento de audio y las entradas de context_bias son de formato libre (frases con espacios). Fuentes: Migrate from Voxtral 2 · Speech to Text. Adición basada en la guía Diarize speakers: las etiquetas comienzan en speaker_1 (no speaker_0), el campo se llama speaker_id, los clips de referencia (speaker_references) permiten nombrar interlocutores conocidos y la diarización funciona en tiempo real, al contrario de lo que indicaba la versión anterior. Fuentes: Diarize speakers · Speakers and diarization.

Qué es la diarización

La diarización (diarización de interlocutores) es la capacidad de identificar y separar a los distintos hablantes en una grabación de audio. El modelo asigna automáticamente un identificador a cada voz distinta y segmenta la transcripción en consecuencia.

La diferencia de valor es notable. Una reunión de cinco personas transcrita sin diarización produce un bloque de texto en el que nadie sabe quién asumió qué compromiso; esa misma reunión, diarizada, se convierte en un registro atribuible. Por eso esta función es esencial para cualquier grabación con varios interlocutores: reuniones, entrevistas, llamadas telefónicas, debates y mesas redondas.

Activar la diarización

Basta un único parámetro: diarize=True.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

with open("reunion_equipe.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "reunion_equipe.mp3"},
        diarize=True,
        timestamp_granularities=["segment"]
    )

La diarización funciona de la mano con las marcas temporales a nivel de segmento: el segmento transporta la información. Cada segmento devuelto incluye ahora un campo speaker_id que identifica al hablante; sin marcas temporales a nivel de segmento, la solicitud falla.

Utilizar los resultados

La visualización más sencilla recorre los segmentos y antepone a cada intervención su autor y la marca temporal.

for seg in response.segments:
    temps = f"{seg.start:.1f}s"
    print(f"[{temps}] {seg.speaker_id} : {seg.text}")

La salida tiene este aspecto:

[0.0s] speaker_1 : Bonjour à tous, on commence la réunion hebdomadaire.
[3.2s] speaker_1 : Julien, tu veux commencer avec le point technique ?
[5.8s] speaker_2 : Oui, alors cette semaine on a finalisé la migration.
[12.4s] speaker_2 : Tout est déployé en production depuis mercredi.
[15.1s] speaker_3 : Super, et côté performances, on a vu une amélioration ?
[18.3s] speaker_2 : Oui, le temps de réponse a baissé de trente pour cent.

Los interlocutores se identifican como speaker_1, speaker_2, etc. Estas etiquetas solo son válidas dentro de una única transcripción: speaker_1 en un archivo y speaker_1 en el siguiente no son necesariamente la misma persona. Sin referencias, el modelo no conoce los nombres; tú asignas estos identificadores a personas reales, por ejemplo tras escuchar los primeros segundos, mediante un diccionario sencillo.

# Asignar identificadores a nombres reales
nombres_locutores = {
    "speaker_1": "Marie (Manager)",
    "speaker_2": "Julien (Tech Lead)",
    "speaker_3": "Sarah (Product)",
}

for seg in response.segments:
    nombre = nombres_locutores.get(seg.speaker_id, seg.speaker_id)
    minutos = int(seg.start // 60)
    segundos = int(seg.start % 60)
    print(f"[{minutos:02d}:{segundos:02d}] {nombre}")
    print(f"  {seg.text}\n")

Una vez establecida la correspondencia, las duraciones de los segmentos se convierten en métricas. Sumar seg.end - seg.start por hablante te da el tiempo de palabra de cada persona, una medida en la que confían los moderadores de reuniones y los responsables de calidad de centros de contacto.

from collections import defaultdict

tiempo_palabra = defaultdict(float)

for seg in response.segments:
    duracion = seg.end - seg.start
    tiempo_palabra[seg.speaker_id] += duracion

print("=== Tiempo de palabra ===")
total = sum(tiempo_palabra.values())
for locutor, duracion in sorted(tiempo_palabra.items()):
    nombre = nombres_locutores.get(locutor, locutor)
    porcentaje = (duracion / total) * 100
    minutos = int(duracion // 60)
    segundos = int(duracion % 60)
    print(f"{nombre} : {minutos}m{segundos:02d}s ({porcentaje:.1f}%)")
=== Tiempo de palabra ===
Marie (Manager) : 8m23s (28.4%)
Julien (Tech Lead) : 12m45s (43.2%)
Sarah (Product) : 8m22s (28.4%)

Generar un informe estructurado

La diarización combinada con segmentos permite producir un informe directamente legible. El truco del siguiente script es una línea: escribe un nuevo encabezado solo cuando cambia el hablante, agrupando las intervenciones consecutivas de la misma persona en lugar de fragmentarlas.

def generar_informe(segmentos, nombres):
    """Generar un informe en Markdown a partir de segmentos diarizados."""
    lineas = ["# Informe de reunión\n"]
    locutor_actual = None

    for seg in segmentos:
        nombre = nombres.get(seg.speaker_id, seg.speaker_id)

        if seg.speaker_id != locutor_actual:
            locutor_actual = seg.speaker_id
            minutos = int(seg.start // 60)
            segundos = int(seg.start % 60)
            lineas.append(f"\n**{nombre}** ({minutos:02d}:{segundos:02d}) :")

        lineas.append(f"  {seg.text}")

    return "\n".join(lineas)

informe = generar_informe(response.segments, nombres_locutores)

with open("informe.md", "w", encoding="utf-8") as f:
    f.write(informe)

print("Informe generado")

Llegar hasta el análisis completo

Aquí tienes el script que lo reúne todo: transcripción diarizada, estadísticas por hablante y salida JSON, lista para alimentar un panel de control o un LLM de resumen.

import os
import json
from collections import defaultdict
from mistralai.client import Mistral

def analizar_reunion(ruta_audio: str, nombres: dict = None):
    """Transcribir y analizar una reunión completa."""
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Transcribir con diarización
    with open(ruta_audio, "rb") as f:
        response = client.audio.transcriptions.complete(
            model="voxtral-mini-transcribe-3",
            file={"content": f, "file_name": ruta_audio},
            diarize=True,
            timestamp_granularities=["segment"]
        )

    nombres = nombres or {}

    # Estadísticas
    stats = defaultdict(lambda: {"duracion": 0.0, "segmentos": 0, "palabras": 0})
    for seg in response.segments:
        stats[seg.speaker_id]["duracion"] += seg.end - seg.start
        stats[seg.speaker_id]["segmentos"] += 1
        stats[seg.speaker_id]["palabras"] += len(seg.text.split())

    # Resultado
    resultado = {
        "transcripcion": response.text,
        "num_locutores": len(stats),
        "duracion_total": max(s.end for s in response.segments),
        "estadisticas": {
            nombres.get(loc, loc): {
                "duracion_segundos": round(data["duracion"], 1),
                "num_segmentos": data["segmentos"],
                "num_palabras": data["palabras"]
            }
            for loc, data in stats.items()
        }
    }

    return resultado

# Uso
resultado = analizar_reunion("reunion.mp3", {
    "speaker_1": "Marie",
    "speaker_2": "Julien",
    "speaker_3": "Sarah"
})

print(json.dumps(resultado["estadisticas"], indent=2, ensure_ascii=False))

Lo que la diarización no hace

Ten presentes algunas limitaciones antes de prometer un resultado a un cliente. Sin clips de referencia, el modelo distingue voces, no personas, y la correspondencia sigue siendo responsabilidad tuya. Eso sí, detecta por sí solo el número de hablantes; no necesitas especificarlo. Dos voces similares pueden confundirse, lo que justifica revisar pasajes críticos. El habla simultánea de dos interlocutores no es compatible en la versión actual, según Mistral. Por último, la diarización también está disponible en tiempo real con voxtral-mini-transcribe-realtime-3 (diarize en session.update, etiquetas transportadas por eventos transcription.segment), pero una única sesión no puede combinar diarización y detección de turnos.

Nombrar interlocutores con clips de referencia

Cuando sabes de antemano quién va a hablar —por ejemplo, el agente y el cliente en una llamada de soporte—, puedes enviar un clip breve de cada voz bajo un nombre: los segmentos de esa voz llevarán entonces ese nombre en speaker_id, y el mismo nombre se referirá a la misma persona en distintas transcripciones.

import base64

def a_base64(ruta):
    with open(ruta, "rb") as f:
        return base64.b64encode(f.read()).decode()

with open("llamada_soporte.wav", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "llamada_soporte.wav"},
        diarize=True,
        timestamp_granularities=["segment"],
        speaker_references={
            "asesor": a_base64("ref_asesor.wav"),
            "cliente": a_base64("ref_cliente.wav"),
        },
    )

Según la documentación de Mistral, cada clip debe durar entre 3 y 15 segundos y contener al menos un 85 % de habla; puedes proporcionar hasta 8, y el número total de hablantes, referenciados o detectados, no debe superar 10. Se aceptan WAV, Opus, MP3 y FLAC, y los formatos sin pérdida ofrecen los mejores resultados; cuanto más se parezcan las condiciones de grabación del clip a las del audio, mejor será la coincidencia. Un hablante sin referencia conserva una etiqueta genérica. Las referencias requieren diarize=True, también funcionan en tiempo real (speaker_references en session.update) y un modelo que no las acepte devolverá un error.

Puntos clave

  • Activa la diarización con diarize=True: un único parámetro
  • timestamp_granularities=["segment"] es obligatorio con diarización
  • Cada segmento incluye un campo speaker_id (speaker_1, speaker_2, etc.)
  • Asigna identificadores a nombres reales o nombra voces conocidas con speaker_references
  • Aprovecha las estadísticas: tiempo de palabra, número de turnos, recuento de palabras
  • La diarización funciona sin conexión y en tiempo real, pero no con detección de turnos en la misma sesión