¿Una transcripción del iPhone dice quién está hablando?

Esto suele notarse la primera vez que alguien transcribe una entrevista o una reunión en lugar de una sola voz hablando sola. Las palabras suelen quedar bastante bien. Lo que falta, sin ningún mensaje de error y sin ningún interruptor evidente para arreglarlo, es cualquier indicación de quién dijo cada parte.

Dos problemas distintos que parecen uno solo

Convertir voz en palabras es una tarea: un modelo escucha un tramo de audio y predice la secuencia de palabras que lo produjo. Averiguar cuántas voces distintas hay en una grabación y a cuál pertenece cada tramo es una tarea completamente diferente, que suele llamarse diarización de hablantes. No pregunta qué se dijo — pregunta quién hablaba, a partir de cosas como el tono, el timbre y la huella acústica de una voz.

Una transcripción terminada hace que parezcan un solo trabajo porque tú quieres ambas respuestas a la vez. El framework de voz de Apple, sobre el que corren tanto la transcripción en el dispositivo como la del servidor en el iPhone, solo hace la primera. Te da palabras. Da igual que ese audio tuviera una voz o cinco: la salida es un bloque de texto plano — nada en el framework identifica o separa a los hablantes, y ninguna app de terceros que lo use puede hacer que haga algo que no hace.

Cómo se nota en la práctica

La transcripción de una entrevista entre dos personas se lee como un único párrafo corrido a través de las preguntas y las respuestas, sin ninguna "P:" ni ningún nombre que marque el cambio. El habla superpuesta — alguien hablando encima de otra persona — sale como las palabras que el modelo pudo separar, sin ninguna nota de que había dos personas implicadas. Si no estuviste allí, o no recuerdas la conversación, no hay nada en el propio texto que diga quién dijo cada línea.

Qué funciona de verdad en su lugar

Decir los nombres en voz alta, en la grabación

La solución más barata ocurre antes de que empiece la transcripción. Si repites un nombre o un rol al empezar un turno — "a ver, Priya, ¿qué pasó después"— esa frase acaba en la transcripción como palabras normales, y hace el trabajo de etiquetado que de otro modo haría una función de diarización. No cuesta nada y no necesita ningún soporte de la app.

Marcar los cambios de hablante mientras grabas

Tocar un marcador en el momento en que alguien nuevo empieza a hablar te deja un conjunto de marcas de tiempo con las que trabajar después, el mismo hábito que ayuda con una clase o una entrevista larga por razones totalmente distintas. Cuando vuelvas a editar la transcripción, esos marcadores te dicen exactamente dónde insertar un nombre, sin tener que volver a escuchar toda la grabación para encontrar los cambios.

Editar la transcripción una vez, con calma

Como la transcripción es texto normal y editable, el arreglo práctico es una sola pasada después: reproducir el audio a velocidad, y donde los marcadores o el propio contenido indiquen que cambió el hablante, escribir el nombre. Para una entrevista corta son minutos de trabajo, no horas, y solo hace falta hacerlo una vez por grabación.

Grabar por separado cuando de verdad importa

Para cualquier cosa en la que equivocarse al atribuir una frase sería un problema real — una conversación legal, una entrevista formal que piensas citar textualmente — la solución más fiable evita la transcripción por completo: que cada persona grabe en su propio dispositivo. Un solo teléfono con un único micrófono no tiene forma física de separar dos voces en la misma sala; dos grabaciones distintas no tienen esa ambigüedad de partida.

Dónde importa más

Aparece justo donde las transcripciones son más útiles: entrevistas, reuniones, y cualquier conversación de la que quieras citar algo más adelante en lugar de solo buscar en ella. Ninguna de esas situaciones empeora por la falta de etiquetas de hablante — solo necesitan el pequeño gesto manual de arriba para convertir un muro de texto en algo que puedas citar con confianza.

Cómo lo gestiona Voice Studio

Voice Studio usa el framework de voz de Apple para transcribir, así que lo que produce es exactamente lo descrito arriba: palabras correctas, sin etiquetas de hablante automáticas. La transcripción es texto normal y editable, así que añadir nombres o un patrón "P:"/"R:" después es cuestión de una pasada. Los marcadores que tocas durante la grabación están ahí para guiar esa pasada — una forma rápida de recordar dónde cambió el hablante sin volver a escuchar todo el archivo. Cuando la transcripción quede como quieres, se exporta como TXT o JSON, o puedes compartir el propio audio como archivo .m4a.

Preguntas frecuentes

¿Alguna app de iPhone añade etiquetas de hablante de verdad, automáticamente?

Algunas apps aplican un procesamiento adicional sobre la transcripción para adivinar los cambios de hablante a partir de las características de la voz. Es una función genuinamente distinta de la conversión de voz a texto en sí, y tiende a fallar cuando las voces se parecen o el audio no es limpio — es una suposición, no una garantía, a diferencia de la transcripción de palabras normal.

¿Grabar en estéreo o con dos micrófonos soluciona esto?

No por sí solo. Separar voces de forma fiable necesita grabaciones realmente independientes por persona, o un paso de diarización construido específicamente para eso — capturar más canales por sí solo no etiqueta quién está hablando.

¿Por qué la transcripción acierta los nombres cuando la gente los dice en voz alta?

Porque en ese momento simplemente está transcribiendo palabras normales. "Soy Priya" sale como texto igual que cualquier otra frase — el etiquetado ocurre en lo que se dijo, no en nada que haga la función de transcripción por encima.

¿Afecta esto a grabaciones de una sola persona, como una clase o un diario en voz?

No. La falta de etiquetas de hablante solo importa cuando hay más de una voz que distinguir. Con un único hablante no hay nada que desambiguar.