---
title: "Transcribir grabaciones de call center: pipeline con código"
description: "Separe llamadas estéreo por canal, corte turnos, transcriba árabe e inglés, oculte datos personales y resuma con un LLM. Pipeline en Python con costos."
url: https://broadrouter.com/es/blog/transcribe-call-center-recordings/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/blog/transcribe-call-center-recordings/) (actualizado el 2026-11-14).

# Cómo transcribir grabaciones de call center: pipeline listo para árabe

Por el equipo de BroadNet Inference · 4 min de lectura · Publicado 2026-11-14

Para transcribir grabaciones de call center, separe los archivos estéreo en los canales del agente y del cliente, corte cada canal en turnos de habla, transcriba cada turno con el código de idioma correcto y luego una los turnos por hora de inicio. Oculte los números de tarjeta y de teléfono de la transcripción antes de que un LLM resuma la llamada. Las grabaciones mono necesitan un paso aparte de diarización.

## Puntos clave

-   La mayoría de los sistemas de grabación guardan al agente y al cliente en canales estéreo separados. Separarlos da etiquetas de hablante perfectas sin diarización.
-   Cortar cada canal en los silencios le da el orden de los turnos y evita pagar por el silencio.
-   Normalice los dígitos arábigo-orientales antes de ocultar datos, o se le escaparán números de tarjeta y de teléfono.
-   Oculte los datos de la transcripción antes del paso de resumen y pida al LLM un JSON estructurado.
-   A $0.0042 por minuto, transcribir 1,000 horas de habla en árabe cuesta $252.00.

**En esta página**

1.  Paso 1: ¿la grabación es estéreo o mono?
2.  Paso 2: ¿cómo separar los canales estéreo con ffmpeg?
3.  Paso 3: ¿cómo cortar cada canal en turnos de habla?
4.  Paso 4: ¿cómo transcribir cada turno?
5.  Paso 5: ¿cómo unir los turnos en un diálogo?
6.  ¿Y las grabaciones mono?
7.  Paso 6: ¿cómo ocultar los datos personales, incluidos los dígitos árabes?
8.  Paso 7: ¿cómo resumir cada llamada con un LLM?
9.  ¿Qué controles de calidad van antes de la analítica?
10.  ¿Cuánto cuesta transcribir llamadas?
11.  Dónde encaja BroadNet Inference

_[image: A support agent with a headset beside a screen showing a call transcript, with the text "Every call becomes insight."]_

Illustration of an app you could build; not a BroadNet product screenshot.

Un call center produce miles de horas de audio al mes, y casi nada de eso se lee. Las transcripciones hacen que las llamadas se puedan buscar. Los resúmenes hacen que se puedan revisar. Este artículo construye el pipeline de principio a fin, con un enfoque árabe: dialectos, mezcla de árabe e inglés y dígitos arábigo-orientales.

Los pasos:

1.  Inspeccione la grabación: ¿estéreo o mono?
2.  Separe el estéreo en los canales del agente y del cliente.
3.  Corte cada canal en turnos de habla.
4.  Transcriba cada turno con el idioma correcto.
5.  Una los turnos en un diálogo por hora de inicio.
6.  Oculte los datos personales (PII) del texto.
7.  Resuma con un LLM en campos estructurados.

## Paso 1: ¿la grabación es estéreo o mono?

```bash
ffprobe -v error -show_entries stream=channels,sample_rate,duration -of csv=p=0 call.wav
# 2,8000,412.6   -> stereo, 8 kHz telephone audio, 6.9 minutes
```

Muchos sistemas de grabación de contact center guardan al agente en un canal y al cliente en el otro. La [guía de AssemblyAI para contact centers](https://www.assemblyai.com/docs/contact-center-best-practices) señala lo mismo: con canales separados, obtiene la separación de hablantes sin diarización. Compruebe en algunas llamadas qué lado es cuál; el izquierdo no siempre es el del agente.

## Paso 2: ¿cómo separar los canales estéreo con ffmpeg?

```bash
ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 agent.wav
ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 customer.wav
```

El filtro `pan` conserva un canal y `-ar 16000` remuestrea a 16 kHz, el formato que usa la documentación de BroadNet para grabaciones telefónicas.

## Paso 3: ¿cómo cortar cada canal en turnos de habla?

Esta es una forma sencilla de [detección de actividad de voz](https://broadrouter.com/es/glossary/vad/). Enviar cada canal completo funciona, pero paga por cada segundo de silencio mientras habla la otra parte, lo que en una llamada estéreo prácticamente duplica la factura. Además pierde el orden de los turnos. Cortar en los silencios resuelve ambas cosas:

```python
import re, subprocess

def speech_turns(wav, noise="-35dB", min_silence=0.6):
    """Return (start, end) seconds of speech, using ffmpeg silencedetect."""
    log = subprocess.run(
        ["ffmpeg", "-i", wav, "-af", f"silencedetect=noise={noise}:d={min_silence}", "-f", "null", "-"],
        capture_output=True, text=True).stderr
    dur = float(subprocess.run(
        ["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", wav],
        capture_output=True, text=True).stdout)
    starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", log)]
    ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
    turns, cursor = [], 0.0
    for s, e in zip(starts, ends + [dur]):
        if s - cursor > 0.4:
            turns.append((cursor, s))
        cursor = e
    if dur - cursor > 0.4:
        turns.append((cursor, dur))
    return turns
```

Ajuste `noise` con sus propias grabaciones: las líneas con ruido necesitan un umbral más alto, como `-30dB`.

## Paso 4: ¿cómo transcribir cada turno?

```python
import os, tempfile
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def transcribe_turns(wav, speaker, language="ar"):
    out = []
    for start, end in speech_turns(wav):
        with tempfile.NamedTemporaryFile(suffix=".wav") as seg:
            subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", wav,
                            "-ss", f"{start:.2f}", "-to", f"{end:.2f}", seg.name], check=True)
            with open(seg.name, "rb") as audio:
                text = client.audio.transcriptions.create(
                    model="broadnet/cohere-transcribe-arabic", file=audio, language=language).text
        out.append({"start": start, "speaker": speaker, "text": text.strip()})
    return out
```

Envíe siempre `language`. Sin él, el árabe puede volver en letras latinas. Para colas en inglés, use `broadnet/cohere-transcribe` con `language="en"`. Mantenga un grupo pequeño de workers: las claves de pago por uso permiten 4 solicitudes simultáneas y 30 por minuto, y la [guía de errores y reintentos](https://broadrouter.com/es/guides/errors-and-retries/) muestra cómo aplicar backoff ante un 429.

Cada archivo debe quedar por debajo de 25 MiB. Un monólogo largo en WAV mono a 16 kHz (unos 32 KB por segundo) supera ese tamaño hacia los 13 minutos; divídalo con `-f segment -segment_time 600`.

## Paso 5: ¿cómo unir los turnos en un diálogo?

```python
turns = transcribe_turns("agent.wav", "Agent") + transcribe_turns("customer.wav", "Customer")
dialogue = "\n".join(f'{t["speaker"]}: {t["text"]}' for t in sorted(turns, key=lambda t: t["start"]))
```

El habla superpuesta aparece como dos turnos con horas de inicio cercanas, que es lo que espera un revisor humano.

## ¿Y las grabaciones mono?

Sin canales necesita **[diarización de hablantes](https://broadrouter.com/es/glossary/diarization/)**: decidir quién habló y cuándo. Opciones:

| Opción | Cómo | Contrapartida |
| --- | --- | --- |
| Diarización de código abierto | Ejecute [pyannote.audio](https://github.com/pyannote/pyannote-audio) en sus servidores y luego transcriba cada segmento de hablante | Usted aloja un modelo; el audio se queda con usted |
| Un proveedor con diarización integrada | Varias API de voz a texto devuelven etiquetas de hablante; consulte la [comparación de precios](https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/) para el costo de los complementos | Un proveedor más en la ruta de los datos |
| Etiquetado de roles con un LLM | Transcriba los turnos y pida a un LLM que etiquete cada turno como Agent o Customer según el contexto | Barato; se equivoca en turnos cortos o ambiguos |
| Resolverlo en el origen | Cambie el sistema de grabación a doble canal | La mejor solución a largo plazo |

BroadNet no ofrece diarización, así que con audio mono combínelo con una de las tres primeras opciones.

## Paso 6: ¿cómo ocultar los datos personales, incluidos los dígitos árabes?

Quienes llaman dictan en voz alta números de tarjeta, IBAN y teléfonos. Las transcripciones pueden escribirlos con dígitos occidentales (0-9) o arábigo-orientales (٠-٩). Normalice primero y luego oculte:

```python
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")

def redact(text):
    text = text.translate(EASTERN)
    text = re.sub(r"\b(?:\d[ -]?){13,19}\b", "[CARD]", text)
    text = re.sub(r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b", "[IBAN]", text)
    text = re.sub(r"\+?\d[\d -]{7,}\d", "[PHONE]", text)
    return text
```

Los números también pueden decirse con palabras (“خمسة أربعة…”), que las expresiones regulares no detectan. Revise a mano una muestra de transcripciones y añada reglas para lo que encuentre. El enfoque general está en [enviar datos sensibles a una API de LLM](https://broadrouter.com/es/blog/llm-api-sensitive-data/).

## Paso 7: ¿cómo resumir cada llamada con un LLM?

```python
import json
summary = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Summarise this call centre dialogue. Reply in English JSON with keys: "
                                      "reason, resolution, resolved (true/false), customer_sentiment, follow_up."},
        {"role": "user", "content": redact(dialogue)},
    ],
).choices[0].message.content
print(json.loads(summary))
```

Qwen3.8 27B admite [salida estructurada](https://broadrouter.com/es/glossary/structured-output/); analice y valide siempre la respuesta ([cómo hacerlo](https://broadrouter.com/es/blog/structured-output-json-schema/)). La propia prueba de BroadNet encontró además que entiende los dialectos del Golfo y egipcio. Pida JSON en inglés si sus dashboards están en inglés, aunque la llamada sea en árabe.

## ¿Qué controles de calidad van antes de la analítica?

Los dashboards construidos sobre malas transcripciones se ven tan seguros como los construidos sobre buenas. Añada estos controles al pipeline:

-   **Canales intercambiados.** Si las etiquetas de agente y cliente están invertidas en algún grabador o cola, toda métrica del tipo «el agente dijo» es incorrecta. Revise el primer turno: los agentes suelen abrir con un saludo y el nombre de la empresa.
-   **Transcripciones vacías o mínimas.** Un turno que no devuelve texto, o una llamada con menos de 20 palabras, suele indicar silencio, música de espera o un archivo defectuoso. Márquelo en lugar de resumirlo.
-   **Idioma que no corresponde.** Una cola en inglés que de pronto produce texto en árabe, o árabe devuelto en letras latinas, apunta a un valor de `language` incorrecto.
-   **Deriva de los resúmenes.** Cada semana, pida a un supervisor que compare 20 resúmenes con la transcripción completa. Lleve la cuenta de cuántas veces `resolved` es incorrecto.

Guarde las transcripciones de cada turno, no solo el resumen. Cuando se cuestione un resumen, los turnos son su evidencia.

## ¿Cuánto cuesta transcribir llamadas?

Con el corte por turnos, el audio facturado se acerca al tiempo de conversación. Para 1,000 horas de habla en árabe:

-   Transcripción: $252.00 a $0.0042 por minuto con [BroadNet Transcribe Arabic](https://broadrouter.com/es/models/cohere-transcribe-arabic/), o $120.00 con [BroadNet Transcribe](https://broadrouter.com/es/models/cohere-transcribe/) de 14 idiomas para colas en inglés.
-   Resúmenes: una llamada de 7 minutos suele ser de unos pocos miles de tokens. Calcule su costo en la [calculadora de costos de API de LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) con la longitud real de sus transcripciones, y la parte de audio en la [calculadora de costos de voz a texto](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Dónde encaja BroadNet Inference

BroadNet cubre los pasos 4 y 7 con una sola clave y una sola [base URL](https://broadrouter.com/es/glossary/base-url/): árabe y otros 13 idiomas para la transcripción, y modelos de chat probados en árabe para el resumen. El audio, las transcripciones y los prompts no se retienen ([retención de datos cero](https://broadrouter.com/es/privacy/)), y BroadNet informa que su modelo árabe ocupa #2 de 37 (su cifra de septiembre de 2026; el tablero en vivo lo situaba en el #4 de 39 el 15 de noviembre de 2026) en el Open Universal Arabic ASR Leaderboard.

No hace por usted la diarización, la transcripción en tiempo real ni la ocultación de datos; eso queda en su pipeline. Antes de comprometerse, pruebe sus dialectos con el método de [reconocimiento de voz en dialectos árabes](https://broadrouter.com/es/blog/arabic-dialect-speech-recognition/).

Herramientas gratuitas sobre este tema (en inglés)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Herramientas gratuitas (en inglés)](https://broadrouter.com/tools/)

## Términos de este artículo

[Diarización de hablantes (speaker diarization)](https://broadrouter.com/es/glossary/diarization/)

La diarización de hablantes es la tarea de dividir una grabación de audio en segmentos por hablante para responder "quién habló y cuándo". Etiqueta cada tramo de habla con un ID de hablante anónimo, como SPEAKER\_00, y suele combinarse con una transcripción para mostrar qué persona dijo cada línea.

[Voz a texto (speech-to-text)](https://broadrouter.com/es/glossary/speech-to-text/)

La conversión de voz a texto, o reconocimiento automático del habla (ASR), transforma audio hablado en texto escrito. Una API de voz a texto recibe un archivo o stream de audio y devuelve una transcripción, normalmente cobrada por minuto. La precisión se mide con la tasa de error por palabra y varía según el acento, el dialecto y la grabación.

[Pago por uso (pay-as-you-go)](https://broadrouter.com/es/glossary/pay-as-you-go/)

El pago por uso es un modelo de precios en el que usted paga solo lo que usa, medido por unidades como tokens, solicitudes o minutos de audio, sin suscripción ni compromiso mínimo. La mayoría de las APIs de LLM cobran así, desde un saldo prepagado o con una factura periódica.

[PII (información de identificación personal)](https://broadrouter.com/es/glossary/pii/)

La PII (información de identificación personal) es información que permite distinguir o rastrear la identidad de una persona, como su nombre, un número de identificación o un registro biométrico, más otra información vinculable a ella. El RGPD habla de datos personales, un término más amplio. Con LLMs, se anonimiza antes de que los prompts salgan de sus sistemas.

[Concurrencia (concurrency)](https://broadrouter.com/es/glossary/concurrency/)

La concurrencia es el número de solicitudes que un cliente tiene en curso al mismo tiempo. Las APIs de LLM suelen limitarla por clave o por plan, aparte de las solicitudes por minuto, porque cada solicitud abierta ocupa capacidad de GPU hasta que su respuesta termina.

[Llamadas a herramientas (tool calling)](https://broadrouter.com/es/glossary/tool-calling/)

Las llamadas a herramientas (tool calling), también llamadas function calling, son una función de las APIs de LLM en la que el modelo devuelve una solicitud estructurada para ejecutar una función definida por el desarrollador, con argumentos JSON. La aplicación ejecuta la función y devuelve el resultado; el modelo nunca ejecuta código.

[Token](https://broadrouter.com/es/glossary/token/)

Un token es la unidad de texto que un modelo de lenguaje lee y escribe: una palabra, parte de una palabra, un signo de puntuación o una secuencia de bytes producida por el tokenizador del modelo. Las APIs de LLM cuentan, limitan y normalmente facturan el uso en tokens.

[URL base (base URL)](https://broadrouter.com/es/glossary/base-url/)

La URL base es la dirección raíz fija de una API, como https://api.example.com/v1, que un cliente antepone a cada ruta de endpoint, como /chat/completions. En los SDKs compatibles con OpenAI, cambiar la URL base, junto con la clave de API y el ID del modelo, dirige el mismo código a otro proveedor.

## Preguntas frecuentes

### ¿Cómo separo al agente y al cliente en la grabación de una llamada?

Si la grabación es estéreo, el agente y el cliente suelen estar en canales distintos. Sepárelos con ffmpeg y transcriba cada canal por su cuenta. Si es mono, necesita diarización de hablantes.

### ¿Pago dos veces si transcribo los dos canales estéreo?

Si envía cada canal completo, sí, porque cada canal dura lo mismo que la llamada. Cortar cada canal en turnos de habla y enviar solo los turnos acerca el audio facturado al tiempo real de conversación.

### ¿Puedo transcribir llamadas en árabe con palabras en inglés mezcladas?

Sí, pero pruébelo. Los agentes del Golfo y del Levante suelen pasar al inglés para nombres de productos y números. Revise cómo salen esas palabras en 20 llamadas reales antes de confiar en la búsqueda por palabras clave o en la analítica.

### ¿Debo ocultar los datos en el audio o en el texto?

Oculte los datos en la transcripción de texto antes de que vaya a un LLM, a la analítica o a la búsqueda. Si conserva el audio, este sigue conteniendo los números dictados, así que restrinja el acceso al audio y fíjele también una caducidad.

### ¿Qué duración puede tener cada archivo de audio?

BroadNet acepta WAV o MP3 de hasta 26,214,400 bytes (25 MiB) por solicitud. Un WAV mono a 16 kHz ocupa unos 32 KB por segundo, así que mantenga los segmentos por debajo de unos 13 minutos o use MP3.

## Siga leyendo

-   [Actas de reuniones en árabe a partir de grabaciones: pipeline con API](https://broadrouter.com/es/blog/arabic-meeting-minutes-from-recordings/)
-   [Transcribir audio largo de más de 25 MB: dividir, enviar y unir](https://broadrouter.com/es/blog/transcribe-long-audio-files-api/)
-   [API de voz a texto en árabe: cómo elegir una en 2026](https://broadrouter.com/es/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Datos sensibles en una API de LLM: ocultar, minimizar, registrar menos](https://broadrouter.com/es/blog/llm-api-sensitive-data/)
-   [Voz a texto en dialectos árabes: Golfo, egipcio, levantino y magrebí](https://broadrouter.com/es/blog/arabic-dialect-speech-recognition/)
-   [Precios de API de voz a texto comparados: precio por minuto en 2026](https://broadrouter.com/es/blog/speech-to-text-api-pricing-compared/)
-   [Añadir diacríticos al texto árabe con un LLM: prompt, controles y DER](https://broadrouter.com/es/blog/arabic-diacritization-llm/)
-   [Corrección gramatical y ortográfica del árabe con un LLM: cómo hacerla](https://broadrouter.com/es/blog/arabic-grammar-spelling-correction-llm/)
-   [Guía: API de voz a texto en árabe, paso a paso](https://broadrouter.com/es/guides/arabic-speech-to-text-api/)
-   [Guía: Códigos de error de BroadNet Inference y cuándo reintentar](https://broadrouter.com/es/guides/errors-and-retries/)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-transcribe-call-center-recordings&utm_content=page-cta) ·

**Fuentes**

-   [Documentación de filtros de FFmpeg (pan, silencedetect)](https://ffmpeg.org/ffmpeg-filters.html)
-   [AssemblyAI, buenas prácticas para contact centers (audio multicanal)](https://www.assemblyai.com/docs/contact-center-best-practices)
-   [pyannote.audio, diarización de hablantes de código abierto](https://github.com/pyannote/pyannote-audio)
-   [Referencia de la API de BroadNet Inference, transcripción y límites (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-transcribe-call-center-recordings&utm_content=sources)
-   [Precios de BroadNet Inference legibles por máquina (pricing.json) (en inglés)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-blog-transcribe-call-center-recordings&utm_content=sources)
