Diarización de hablantes
"¿Quién habló y cuándo?" — segmentar el audio y asignar cada segmento a un hablante concreto sin saber de antemano quiénes son.
Dos pasos: (1) detección de actividad vocal (VAD: qué segmentos son voz), (2) embeddings de hablante + clustering (agrupar los segmentos que pertenecen a la misma voz). Pyannote.audio (Hervé Bredin, código abierto, Hugging Face) es el kit de facto. NVIDIA NeMo, AssemblyAI y Deepgram también lo ofrecen. Combinación habitual con Whisper para "transcrito + diarizado": WhisperX, faster-whisper + pyannote. Es lo que hay detrás de apps de actas de reuniones (Otter.ai, Fireflies, Granola, Read.ai) y de servicios de transcripción de pódcast.