Ninguno de los 68 estudios de voz y habla sobre salud mental revisados en 2026 midió directamente el burnout ni el agotamiento emocional (Uy et al., Frontiers in Digital Health 2026). Ese vacío enmarca todo lo que sigue. Lo que la investigación sí muestra es más acotado: la frecuencia fundamental (F0, el tono básico de la voz) sube bajo estrés agudo, con una diferencia de medias estandarizada (SMD) agrupada de 0,55 que se reduce a un 0,17 no significativo tras corregir el sesgo de publicación (Veiga et al., Stress and Health 2025). El resultado de campo más sólido en call centers que encontramos es un AUC de 0,783 para predecir síntomas depresivos en 62 trabajadores japoneses (Tani et al., Journal of Occupational Health 2025), y en la Unión Europea, inferir las emociones de los empleados con IA está prohibido desde el 2 de febrero de 2025. Para el lado laboral del problema (rotación, maltrato, intención de renunciar), consulta nuestras estadísticas de burnout y rotación de agentes de call center. Reunimos datos de JMIR Mental Health, JAMIA, Scientific Reports, el Journal of Voice, el Journal of Occupational Health, la Comisión Europea, la autoridad húngara de protección de datos (NAIH) y el Instituto Nacional de Justicia de EE. UU., y separamos a lo largo de todo el texto la evidencia de laboratorio de la implantación en campo.
TL;DR
- 0 de 68 estudios de voz y habla sobre salud mental midieron directamente el burnout, y solo 2 de 68 (3%) validaron en un conjunto de datos independiente (Uy et al., Frontiers in Digital Health 2026).
- 0 de 13 estudios de supervisión de salud mental con IA en lugares de trabajo reales usaron datos de voz o habla (Jack et al., PLOS Digital Health 2026).
- El estrés agudo eleva la F0 con una SMD agrupada de 0,55 (IC 95% 0,30 a 0,80), que cae a 0,17 y deja de ser significativa tras el trim-and-fill (Veiga et al., Stress and Health 2025).
- La F0 aumentó de forma significativa en 15 de 19 estudios de estrés, el marcador acústico más consistente (Schewski et al., PLOS One 2025).
- Detección de depresión basada en el habla: precisión máxima agrupada de 0,81 frente a una precisión mínima de 0,66 en 105 estudios (Maran et al., JMIR Mental Health 2025).
- Un modelo basado en el audio de llamadas predijo síntomas depresivos en 62 operadores de call center con un AUC de 0,783 (Tani et al., Journal of Occupational Health 2025).
- Los operadores de call center reportan una prevalencia de problemas de voz a lo largo de la vida laboral del 33% al 68% (Nair et al., revisión sistemática del Journal of Voice).
- El 70,5% de 173 operadores de call center turcos derivados a evaluación tenía una enfermedad profesional confirmada, con mayor frecuencia trastornos de los pliegues vocales (Altundas Hatman y Torun, La Medicina del Lavoro 2022).
- Las multas del Reglamento de IA por prácticas prohibidas llegan a EUR 35.000.000 o al 7% del volumen de negocios anual mundial, lo que resulte mayor (Reglamento (UE) 2024/1689, artículo 99).
- El software de análisis de llamadas de un banco no pudo reconocer la emoción en el 91,96% de los casos, y el banco fue multado con HUF 250.000.000 (decisión NAIH-85-3/2022).
1. Qué Le Hace el Estrés a la Voz: F0, Jitter, Shimmer y Velocidad del Habla
El análisis paralingüístico observa cómo se dice algo y no qué se dice. Las cuatro características clásicas son la F0 (tono), el jitter (pequeña oscilación del tono de un ciclo al siguiente), el shimmer (oscilación de la intensidad de un ciclo al siguiente) y la velocidad del habla. La evidencia de laboratorio respalda claramente una de ellas: el tono sube bajo estrés agudo. La F0 aumentó de forma significativa en 15 de 19 estudios en una revisión sistemática de 2025 de 38 artículos (Schewski et al., PLOS One 2025), mientras que el jitter y el shimmer, en su mayoría, no mostraron asociación.
El efecto es real, pero menor y menos estable de lo que sugiere la cifra principal. Un metaanálisis de 2025 con 10 estudios y 583 participantes agrupó un aumento de la F0 de SMD 0,55, pero tras la corrección estadística por los estudios negativos ausentes la estimación bajó a 0,17, con un intervalo de confianza que cruza el cero (Veiga et al., Stress and Health 2025). La señal también es más fuerte en el habla espontánea, exactamente el tipo de habla que capta unos auriculares con micrófono, y más débil en el habla leída o estandarizada. Un experimento intrapersonal halló que la voz responde al estrés fisiológico y no solo al mal humor: las características cambiaron durante una prueba de estrés, pero no durante una tarea de exclusión social (Kappen et al., Scientific Reports 2024).
| Métrica | Valor | Fuente |
|---|---|---|
| Aumento agrupado de la F0 bajo estrés agudo (10 estudios, 583 participantes) | SMD 0,55 (IC 95% 0,30 a 0,80), I² = 69,2% | Veiga et al., Stress and Health 2025 |
| Mismo efecto agrupado en la F0 tras la corrección trim-and-fill por sesgo de publicación | SMD 0,17 (IC 95% -0,15 a 0,49), p = 0,29 | Veiga et al., Stress and Health 2025 |
| Efecto en la F0 en habla espontánea frente a habla estandarizada (leída) | SMD 0,79 frente a SMD 0,14 | Veiga et al., Stress and Health 2025 |
| Estudios de estrés que reportan un aumento significativo de la F0 | 15 de 19 | Schewski et al., PLOS One 2025 |
| Características prosódicas frente a características de calidad vocal que muestran relación con el estrés | 52 de 69 frente a 18 de 37 análisis | Schewski et al., PLOS One 2025 |
| Cambio en la velocidad del habla durante una tarea de estrés, 66 participantes | Aumentó, d = 1,03 (IC 95% 0,65 a 1,42) | Kappen et al., Scientific Reports 2024 |
| Cambio en el jitter durante la misma tarea de estrés | Disminuyó, d = -0,62 (IC 95% -1,00 a -0,24) | Kappen et al., Scientific Reports 2024 |
| Cambio en el shimmer durante la misma tarea de estrés | Sin cambio significativo, p = 0,201 | Kappen et al., Scientific Reports 2024 |
Nota de contexto: en el metaanálisis de Veiga, 5 de los 10 estudios se calificaron con riesgo de sesgo global grave, y los autores afirman que la evidencia es insuficiente para establecer parámetros de F0 para el estrés. Schewski et al. tampoco hallaron un patrón acústico consistente para el miedo o la ansiedad.
2. Precisión de Detección: Modelos de Depresión y Fatiga en Pruebas de Referencia
El burnout se solapa con la depresión y el agotamiento, así que la literatura sobre depresión es el indicador más cercano de lo que podría lograr un modelo de burnout. Las cifras principales parecen sólidas, pero dependen de qué resultado elige reportar cada artículo. En 105 estudios, la precisión agrupada del mejor resultado reportado fue de 0,81, mientras que la precisión agrupada del peor resultado reportado del mismo conjunto de trabajos fue de 0,66 (Maran et al., JMIR Mental Health 2025). Esa brecha de 15 puntos es la distancia entre la mejor configuración de un artículo y la más débil, antes de que cualquier modelo se enfrente a una población nueva.
Los enfoques más antiguos todavía se sostienen: un metaanálisis de JAMIA halló que las características acústicas diseñadas a mano superaron al aprendizaje profundo de extremo a extremo (Liu et al., JAMIA 2024). La fatiga muestra el mismo patrón de muestras pequeñas: un estudio de privación de sueño alcanzó hasta un 94% en grabaciones de vocales, pero solo participaron 15 hombres (Frontiers in Cell and Developmental Biology 2022). Para ver cómo rinden los clasificadores de emociones fuera del laboratorio, en un entorno clínico, consulta nuestras estadísticas de precisión del reconocimiento de emociones en el habla.
| Métrica | Valor | Fuente |
|---|---|---|
| Precisión máxima reportada agrupada, detección de depresión basada en el habla (105 estudios) | 0,81 (IC 95% 0,79 a 0,83) | Maran et al., JMIR Mental Health 2025 |
| Precisión mínima reportada agrupada en la misma revisión | 0,66 (IC 95% 0,63 a 0,69) | Maran et al., JMIR Mental Health 2025 |
| Sensibilidad máxima reportada agrupada frente a especificidad | 0,84 frente a 0,83 | Maran et al., JMIR Mental Health 2025 |
| Estudios incluidos con alto riesgo de sesgo en al menos un dominio | 47,6% (50 de 105) | Maran et al., JMIR Mental Health 2025 |
| Precisión agrupada del aprendizaje profundo aplicado al habla para la depresión (8 estudios) | 0,87 (IC 95% 0,81 a 0,93) | Liu et al., JAMIA 2024 |
| Precisión agrupada de los modelos que usan características acústicas diseñadas a mano | 0,89 (IC 95% 0,81 a 0,97) | Liu et al., JAMIA 2024 |
| Diferencia agrupada en la F0, hablantes con depresión frente a hablantes sin depresión (6 estudios) | -1,82 Hz, p = 0,56 (no significativo) | Cantor-Cutiva et al., Depression and Anxiety 2026 |
| Clasificación de la fatiga tras 36 horas de vigilia, varias vocales frente a habla segmentada (15 participantes) | Hasta 94% frente a 76% | Frontiers in Cell and Developmental Biology 2022 |
Nota de contexto: el 52,4% de los 105 estudios sobre depresión eran artículos de congreso, el conjunto de datos público más usado fue DAIC-WOZ (33,3% de los estudios), y los conjuntos de datos propios de cada estudio (elaborados a mano) fueron los más comunes en general (53,3%). La revisión de Cantor-Cutiva et al. calificó solo 1 de 17 estudios como de calidad sólida. Datos más recientes disponibles sobre fatiga: Frontiers in Cell and Developmental Biology, 2022.
3. El Burnout Es la Etiqueta Ausente: La Brecha entre el Laboratorio y el Campo
Esta es la sección que más importa a quien compra una función de “predicción de burnout”. Una revisión de alcance de 2026 con 68 estudios de biomarcadores vocales no encontró ninguno que midiera el burnout o el agotamiento emocional, y solo 2 de 68 (3%) probaron en un conjunto de datos independiente (Uy et al., Frontiers in Digital Health 2026). Los autores concluyen que la evidencia todavía no respalda la evaluación pasiva o ambiental de la salud mental en la práctica habitual.
La literatura sobre el lugar de trabajo cuenta la misma historia desde el otro lado. Una revisión limitada a la supervisión de salud mental con IA en lugares de trabajo reales conservó 13 estudios, y ninguno usó la voz (Jack et al., PLOS Digital Health 2026). Uno de los pocos estudios de voz grandes de tipo campo, con 4.155 personas grabando en sus propios teléfonos, halló que ninguna característica vinculada al estrés era compartida entre género, idioma y tarea (Topalian et al., Digital Biomarkers 2026). Un modelo entrenado con un grupo, en otras palabras, no tiene garantía de funcionar con el siguiente equipo. El mismo problema de validación atraviesa los biomarcadores vocales en otras afecciones, como muestran nuestras estadísticas de biomarcadores vocales del deterioro cognitivo.
| Métrica | Valor | Fuente |
|---|---|---|
| Estudios de voz y habla sobre salud mental que midieron burnout o agotamiento emocional | 0 de 68 | Uy et al., Frontiers in Digital Health 2026 |
| Estudios validados en una muestra independiente o de otro conjunto de datos | 2 de 68 (3%) | Uy et al., Frontiers in Digital Health 2026 |
| Estudios que usaron elicitación controlada (tareas de laboratorio) en lugar de habla natural | 54 de 68 (79%) | Uy et al., Frontiers in Digital Health 2026 |
| Características vocales vinculadas al estrés compartidas entre mujeres y hombres, 679 adultos con diabetes grabando en casa | Ninguna (25 características halladas en cada sexo) | Bour et al., PLOS Digital Health 2026 |
| Estudios de supervisión de salud mental con IA en lugares de trabajo reales que usaron voz o habla | 0 de 13 | Jack et al., PLOS Digital Health 2026 |
| Estudios de supervisión con IA en lugares de trabajo reales centrados en el burnout frente a centrados en el estrés | 1 de 13 frente a 10 de 13 | Jack et al., PLOS Digital Health 2026 |
| Estudios de estrés experimentales (de laboratorio) frente a estudios de campo | 30 frente a 7 artículos | Schewski et al., PLOS One 2025 |
| Estudio de voz sobre estrés momentáneo en dispositivos personales: características compartidas entre género, idioma y tarea | Ninguna (4.155 participantes) | Topalian et al., Digital Biomarkers 2026 |
Nota de contexto: la recolección de datos en campo es posible. El estudio de Gaballah et al. en ICASSP 2021 siguió a 144 trabajadores de hospital durante 10 semanas con audio portátil y estrés autorreportado a diario, pero su objetivo fue el estrés y no el burnout (datos más recientes disponibles: IEEE ICASSP, 2021). La cohorte de diabetes de la tabla anterior (Bour et al., PLOS Digital Health 2026) tampoco halló ninguna característica compartida entre el estrés y el malestar relacionado con la diabetes, un recordatorio de que el “estrés” de un estudio no es el mismo constructo que el del siguiente.
4. Implantaciones en Call Centers: Qué Reportan los Estudios de Campo
Lo más cercano a una implantación real próxima al burnout viene de Japón, donde un grupo de investigación probó un sistema comercial de análisis de voz con las llamadas reales de clientes de los operadores. El modelo predijo síntomas depresivos a lo largo de 12 semanas con un AUC de 0,783 (IC 95% 0,691 a 0,875), pero solo 62 de los 240 operadores reclutados terminaron en el análisis, el sistema es una caja negra propietaria y el estudio fue financiado por su proveedor (Tani et al., Journal of Occupational Health 2025). Un ensayo aleatorizado complementario usó la misma herramienta en sesiones grupales y halló reducciones modestas en las puntuaciones de depresión (Tani et al., Journal of Occupational Health 2024).
Dos conjuntos de datos coreanos más recientes muestran las alternativas. Un estudio de diario con 400 trabajadores halló que las palabras que usaban los agentes seguían los síntomas depresivos mejor que sus propias valoraciones del estado de ánimo, lo cual es análisis del lenguaje y no paralingüística (Kim et al., Psychiatry Investigation 2026). Una simulación de laboratorio con 31 agentes de atención y actores que interpretaban a clientes enojados reportó resultados solo para el audio combinado con sensores cardíacos, cutáneos y cerebrales, por lo que se desconoce la contribución de la voz por sí sola (Lee et al., Scientific Data 2026).
| Métrica | Valor | Fuente |
|---|---|---|
| AUC para predecir síntomas depresivos (CES-D de 16 o más) a partir del audio de las llamadas, 62 operadores | 0,783 (IC 95% 0,691 a 0,875) | Tani et al., Journal of Occupational Health 2025 |
| AUC para distinguir llamadas normales de llamadas de alta carga de trabajo (cliente agresivo) en un call center simulado, audio combinado con sensores fisiológicos, 31 agentes | 0,946 | Lee et al., Scientific Data 2026 |
| Operadores con síntomas depresivos al inicio en esa cohorte | 30,6% (19 de 62) | Tani et al., Journal of Occupational Health 2025 |
| Cambio en la puntuación de depresión a las 12 semanas frente al control: sesiones grupales con análisis de voz (5 o más) frente a reuniones individuales con el supervisor | -2,36 frente a -1,47 puntos del CES-D | Tani et al., Journal of Occupational Health 2024 |
| Trabajadores coreanos de trabajo emocional con síntomas depresivos (PHQ-9 de 5 o más), 400 analizados | 50,8% (203 de 400) | Kim et al., Psychiatry Investigation 2026 |
| AUC del modelo de sentimiento basado en el lenguaje al día 10 de los diarios de voz | 75,1% | Kim et al., Psychiatry Investigation 2026 |
| AUC para el estrés percibido en un call center simulado, audio combinado con sensores fisiológicos, 31 agentes | 0,783 | Lee et al., Scientific Data 2026 |
| Proporción de respuestas engañosas detectadas por el Layered Voice Analysis en una validación en una cárcel de EE. UU., 319 detenidos | 21,4% (especificidad 95,2%) | Instituto Nacional de Justicia de EE. UU., Damphousse et al. 2007 |
Nota de contexto: el sistema japonés usado en los dos estudios de Tani se basa en el Layered Voice Analysis (LVA). Una prueba independiente más antigua, financiada por el Instituto Nacional de Justicia de EE. UU., halló que el LVA y un analizador de estrés vocal rival “no eran capaces de detectar el engaño con una tasa mejor que la del azar” (informe del NIJ, 2007). Esa prueba medía la mentira y no el estado de ánimo, así que no zanja la cuestión de la depresión, pero es una razón para exigir validación independiente (datos más recientes disponibles: NIJ, 2007).
5. Carga Vocal: Trastornos de la Voz en el Trabajo en Call Centers y Su Relación con el Burnout
Antes de ser un sensor, la voz es una herramienta de trabajo, y la herramienta se desgasta. Una revisión sistemática del Journal of Voice con 15 estudios situó la prevalencia a lo largo de la vida laboral de los problemas de voz entre operadores de call center en el 33% al 68%, con una prevalencia puntual del 27% (Nair et al., Journal of Voice). La ronquera fue el síntoma más común, seguida de la fatiga vocal. Eso importa para cualquier modelo acústico: el jitter y el shimmer de un agente con la voz ronca cambian por razones físicas, que un clasificador de estrés o burnout podría interpretar mal.
El extremo clínico del espectro es contundente. Entre 173 operadores de call center turcos derivados a un hospital de enfermedades profesionales, el 70,5% tenía una enfermedad profesional confirmada, y de los entrevistados después, el 43,8% había sido despedido (Altundas Hatman y Torun, La Medicina del Lavoro 2022). La investigación con docentes, otra profesión muy dependiente de la voz, vincula directamente el burnout y los trastornos de la voz, de modo que ambos problemas van de la mano. Nuestras estadísticas de análisis acústico de la voz y disfonía explican cómo miden las clínicas ese daño.
| Métrica | Valor | Fuente |
|---|---|---|
| Prevalencia a lo largo de la vida laboral de problemas de voz en operadores de call center (15 estudios) | 33% a 68% | Nair et al., revisión sistemática del Journal of Voice |
| Prevalencia puntual de problemas de voz en operadores de call center | 27% | Nair et al., revisión sistemática del Journal of Voice |
| Empleados de call center turcos que reportan problemas de voz desde que empezaron en el puesto (264 encuestados) | 57,6% | Demir et al., PeerJ 2025 |
| Los mismos empleados que reportan estrés en el trabajo | 58,3% | Demir et al., PeerJ 2025 |
| Operadores de call center derivados con una enfermedad profesional confirmada (173 casos) | 70,5% | Altundas Hatman y Torun, La Medicina del Lavoro 2022 |
| Nódulos en los pliegues vocales entre operadoras frente a operadores con una enfermedad profesional | 92,9% frente a 62,4% | Altundas Hatman y Torun, La Medicina del Lavoro 2022 |
| Proporción media de la jornada laboral dedicada a la fonación, 92 operadores de call center | 14,74% (rango de 4% a 31%) | Cantarella et al., Journal of Voice 2014 |
| Probabilidad de un probable trastorno de la voz en docentes positivos en 2 a 4 subescalas de burnout frente a 0 a 1 | OR 4,01, P = 0,013 | de Brito Mota et al., Journal of Voice 2019 |
Nota de contexto: en la encuesta turca de PeerJ (Demir et al. 2025), el estrés en el trabajo se asoció de forma significativa con peores puntuaciones en el Voice Handicap Index (p < 0,001). Entre los 208 docentes del estudio de de Brito Mota, el 64,4% probablemente tenía un trastorno de la voz, y en un estudio gallego de 2024 con 90 docentes, el 16% mostró síntomas compatibles con burnout. Datos más recientes disponibles sobre el tiempo de fonación: Cantarella et al., Journal of Voice, 2014.
6. Límites Legales y Éticos: El Artículo 5 del Reglamento de IA de la UE y la Actuación de los Reguladores
Aunque la ciencia madurara mañana, el margen legal para el análisis de emociones de empleados en Europa ya se ha cerrado. El artículo 5(1)(f) del Reglamento de IA prohíbe “el uso de sistemas de IA para inferir las emociones de una persona física en los ámbitos del lugar de trabajo y de los centros educativos”, con una excepción solo por razones médicas o de seguridad, y se aplica desde el 2 de febrero de 2025 (Reglamento (UE) 2024/1689, artículo 5). Las directrices de la Comisión Europea, publicadas el 4 de febrero de 2025 y no vinculantes, cierran la evidente laguna: según un análisis de las directrices del Future of Privacy Forum, la excepción médica “no se extiende a la supervisión general del bienestar, como la detección de estrés o burnout” (FPF, 24 de marzo de 2026).
La prohibición se dirige a la inferencia a partir de datos biométricos como la voz. El análisis de las emociones de los clientes no queda cubierto, y la inferencia de emociones a partir de texto escrito queda fuera de la prohibición, de modo que un modelo basado en transcripciones y uno basado en la voz pueden caer en lados opuestos de la línea. La normativa de protección de datos ya actuó antes que el Reglamento de IA: la autoridad de Hungría multó a un banco cuyo software de análisis de llamadas puntuaba el estado emocional de quienes llamaban y también supervisaba la voz de sus propios empleados (decisión NAIH-85-3/2022).
| Métrica | Valor | Fuente |
|---|---|---|
| Fecha en que empezó a aplicarse en la UE la prohibición de inferir emociones en el trabajo | 2 de febrero de 2025 | Reglamento (UE) 2024/1689 (Reglamento de IA), artículo 5 |
| Multa máxima por una práctica de IA prohibida | EUR 35.000.000 o el 7% del volumen de negocios anual mundial total, lo que resulte mayor | Reglamento (UE) 2024/1689 (Reglamento de IA), artículo 99(3) |
| Publicación de las directrices de la Comisión sobre prácticas prohibidas (no vinculantes) | 4 de febrero de 2025, página actualizada por última vez el 31 de julio de 2025 | Comisión Europea, Directrices sobre prácticas de IA prohibidas 2025 |
| Detección de estrés o burnout cubierta por la excepción médica | No, la supervisión general del bienestar queda excluida | Directrices de la Comisión Europea, según el análisis del Future of Privacy Forum 2026 |
| Multa a un banco húngaro por el análisis de emociones con IA de grabaciones de llamadas | HUF 250.000.000 | Decisión NAIH-85-3/2022 |
| Proporción de casos en que el software del banco no pudo reconocer la emoción | 91,96% | Decisión NAIH-85-3/2022 |
| Conservación de los archivos de audio de las llamadas dentro del software de analítica de voz | 45 días | Decisión NAIH-85-3/2022 |
| Plazo para demostrar el cumplimiento o detener el análisis de emociones | 60 días desde que la decisión fue firme | Decisión NAIH-85-3/2022 |
Nota de contexto: la página de las directrices de la Comisión Europea establece que la interpretación autorizada está reservada al Tribunal de Justicia de la Unión Europea. La decisión de la NAIH también concluyó que el software podía reconocer “las emociones de un empleado y no las de la parte que llamaba”, el tipo de inferencia de emociones en el lugar de trabajo que el artículo 5(1)(f) ahora prohíbe.
Resumen: Análisis Paralingüístico de la Voz y Predicción del Burnout de Agentes en Cifras
| Métrica | Valor | Fuente |
|---|---|---|
| Estudios de voz y habla sobre salud mental que midieron directamente el burnout | 0 de 68 | Uy et al., Frontiers in Digital Health 2026 |
| Estudios de supervisión de salud mental con IA en lugares de trabajo reales que usaron voz | 0 de 13 | Jack et al., PLOS Digital Health 2026 |
| Aumento agrupado de la F0 bajo estrés agudo | SMD 0,55 (IC 95% 0,30 a 0,80) | Veiga et al., Stress and Health 2025 |
| Aumento agrupado de la F0 tras la corrección del sesgo de publicación | SMD 0,17, no significativo | Veiga et al., Stress and Health 2025 |
| Estudios de estrés con un aumento significativo de la F0 | 15 de 19 | Schewski et al., PLOS One 2025 |
| Efecto en la velocidad del habla bajo una tarea de estrés de laboratorio | d = 1,03 | Kappen et al., Scientific Reports 2024 |
| Detección de depresión, precisión máxima frente a mínima reportada agrupada | 0,81 frente a 0,66 | Maran et al., JMIR Mental Health 2025 |
| Detección de depresión con aprendizaje profundo, precisión agrupada | 0,87 | Liu et al., JAMIA 2024 |
| Modelos con características acústicas diseñadas a mano, precisión agrupada | 0,89 | Liu et al., JAMIA 2024 |
| AUC del modelo basado en el audio de llamadas para síntomas depresivos, 62 operadores | 0,783 | Tani et al., Journal of Occupational Health 2025 |
| Trabajadores de trabajo emocional con síntomas depresivos (Corea) | 50,8% | Kim et al., Psychiatry Investigation 2026 |
| Prevalencia a lo largo de la vida laboral de problemas de voz en operadores de call center | 33% a 68% | Nair et al., revisión sistemática del Journal of Voice |
| Empleados de call center turcos con problemas de voz desde que empezaron en el puesto | 57,6% | Demir et al., PeerJ 2025 |
| Operadores derivados con una enfermedad profesional confirmada | 70,5% | Altundas Hatman y Torun, La Medicina del Lavoro 2022 |
| Multa máxima del Reglamento de IA por prácticas prohibidas | EUR 35.000.000 o el 7% del volumen de negocios | Reglamento (UE) 2024/1689, artículo 99 |
| Multa a un banco húngaro por el análisis de emociones en llamadas | HUF 250.000.000 | Decisión NAIH-85-3/2022 |
Metodología y Fuentes
- Uy, Shaaban y Arnaout: La voz y el habla como biomarcadores digitales de la salud mental, Frontiers in Digital Health 2026
- Jack et al.: Supervisión de la salud mental en el lugar de trabajo mediante inteligencia artificial, PLOS Digital Health 2026
- Veiga et al.: La frecuencia fundamental de la voz como posible biomarcador del estrés, Stress and Health 2025
- Schewski et al.: Medición de emociones negativas y estrés mediante correlatos acústicos en el habla, PLOS One 2025
- Kappen et al.: Las características acústicas y prosódicas del habla reflejan el estrés fisiológico, Scientific Reports 2024
- Topalian et al.: Firmas vocales del estrés psicológico momentáneo en entornos de la vida real, Digital Biomarkers 2026
- Bour et al.: Cambios en la voz asociados al estrés y al malestar en personas que viven con diabetes, PLOS Digital Health 2026
- Maran et al.: Rendimiento del análisis automático del habla en la detección de la depresión, JMIR Mental Health 2025
- Liu et al.: Precisión diagnóstica del aprendizaje profundo con muestras de habla en la depresión, JAMIA 2024
- Cantor-Cutiva et al.: El papel de la acústica de la voz en la evaluación de la depresión, Depression and Anxiety 2026
- Un método rápido y no invasivo para detectar la fatiga a partir de información de la voz, Frontiers in Cell and Developmental Biology 2022
- Gaballah et al.: Detección de estrés en el habla sensible al contexto en trabajadores de hospital con clasificadores Bi-LSTM, IEEE ICASSP 2021
- Tani et al.: Modelo de detección temprana de síntomas depresivos con análisis de emociones en la voz entre operadores de call center, Journal of Occupational Health 2025
- Tani et al.: Intervención organizacional con Layered Voice Analysis, ensayo controlado aleatorizado, Journal of Occupational Health 2024
- Kim et al.: El lenguaje cotidiano como indicador objetivo de estados afectivos depresivos en trabajadores de trabajo emocional, Psychiatry Investigation 2026
- Lee et al.: Un conjunto de datos multimodal para evaluar la emoción, el estrés y la carga emocional en un escenario laboral interpersonal, Scientific Data 2026
- Damphousse et al., Instituto Nacional de Justicia de EE. UU.: Evaluación de la validez de las herramientas de análisis de estrés vocal en un entorno carcelario, 2007
- Nair et al.: Prevalencia de problemas de voz, síntomas vocales autorreportados y factores de riesgo asociados en operadores de call center, Journal of Voice
- Demir et al.: Problemas de voz autorreportados en empleados de call center, PeerJ 2025
- Altundas Hatman y Torun: Enfermedades profesionales entre operadores de call center que necesitan rehabilitación vocal, La Medicina del Lavoro 2022
- Cantarella et al.: Monitorización ambulatoria de la fonación en una muestra de 92 operadores de call center, Journal of Voice 2014
- de Brito Mota et al.: Trastorno de la voz y síndrome de burnout en docentes, Journal of Voice 2019; Garcia-Real et al.: Problemas vocales y síndrome de burnout en docentes no universitarios de Galicia, Folia Phoniatrica et Logopaedica 2024
- Reglamento (UE) 2024/1689 (Reglamento de IA): Artículo 5 y artículo 99
- Comisión Europea: Directrices sobre prácticas prohibidas de inteligencia artificial, 2025
- Future of Privacy Forum: Líneas rojas del Reglamento de IA de la UE, reconocimiento de emociones en el lugar de trabajo, 2026
- Autoridad Nacional Húngara para la Protección de Datos y la Libertad de Información (NAIH): Decisión NAIH-85-3/2022 sobre el procesamiento de señales de habla basado en IA
- Nota sobre los datos: ningún estudio revisado por pares que hayamos encontrado reporta un AUC para la detección de burnout a partir de la voz frente a un inventario de burnout validado, así que todas las cifras de precisión de este informe se refieren al estrés, la fatiga o la depresión, no al burnout en sí. Los dos estudios de Tani et al. fueron financiados por ES Japan, el proveedor del sistema de análisis de voz, con empleados de la empresa como coautores, y el modelo de predicción de 2025 se validó solo dentro de su propia cohorte. El estudio de Kim et al. analizó palabras transcritas, no características acústicas. Las cifras del NIJ miden el engaño, no el estado de ánimo, y datan de 2007. Inconsistencias internas en las propias fuentes: Altundas Hatman y Torun dan 62,4% para nódulos en los pliegues vocales en hombres en el texto y 68,4% en la Tabla 4; el resumen del estudio de fatiga (94% de voz unitaria, 81% de habla larga) no coincide del todo con su sección de resultados (88% a 94% para vocales, 76% para habla segmentada); Jack et al. indican tanto 8 de 11 como 7 de 11 estudios con más de 75% de precisión, por lo que no usamos esa cifra. La revisión de Nair et al. se publicó en línea en 2021 y se imprimió en el Journal of Voice en 2024. El texto de la prohibición del Reglamento de IA se cita a partir de la reproducción en artificialintelligenceact.eu del texto del Diario Oficial.
Última actualización: 27 de octubre de 2026. Actualizamos este informe trimestralmente, y la próxima revisión se espera cuando se indexe en PubMed Central la próxima revisión sistemática de biomarcadores vocales para la salud mental en el trabajo.