Detección y diarización del altavoz
Identificar automáticamente y etiquetar diferentes altavoces en sus transcripciones de audio y vídeo. Saber exactamente quién dijo qué.
Discurso en tiempo real al texto. IA corrige automáticamente mientras habla — la precisión mejora con un discurso más largo.
Pon a prueba tu micrófono primeroRegístrese gratis para obtener 600 minutos / mes, o actualizar para transcripciones ilimitadas.
¿Qué es la diarización del altavoz?
Diarización del altavoz es el proceso de partición de una corriente de audio en segmentos de acuerdo con la identidad del orador. En términos más simples, responde a la pregunta "¿quién habló cuándo?" This is essential for multi-speaker recordings like meetings, interviews, podcasts, conference calls, and legal proceedings where knowing who said what is just as important as what was said.
STT.ai uses advanced neural speaker diarization models that can detect and label speakers in real time. The system creates speaker embeddings -- numerical representations of each voice's unique characteristics -- and clusters them to distinguish between different people. This works even when speakers have similar voices or frequently interrupt each other.
Cómo funciona la detección del altavoz
1. Detección de la actividad de voz
El sistema identifica primero qué segmentos de audio contienen voz versus silencio, música o ruido de fondo.
2. Embedding del orador
Cada segmento de voz se convierte en un altavoz integrado -- un vector compacto que captura las características vocales únicas del altavoz.
3. Agrupación y etiquetado
Los empotrados se agrupan en segmentos de grupo del mismo altavoz, luego se asigna a cada cluster una etiqueta (Speaker 1, Speaker 2, etc.).
Casos de uso para la detección de altavoces
Detección de oradores en STT.ai
Speaker detection is available on all paid plans. When you transcribe audio or video with speaker detection enabled, the transcript will include speaker labels inline with the text. You can also export speaker-labeled transcripts in all supported formats including SRT, VTT, DOCX, JSON, and PDF.
The system can detect up to 20 distinct speakers in a single recording. For best results, ensure each speaker has at least a few seconds of solo speech. Overlapping speech is handled but may reduce accuracy in heavily cross-talked segments.
Prueba la detección de altavoces ahora
Cargue una grabación de varios altavoces y vea los altavoces automáticamente etiquetados.
Empieza a transcribir gratis