Los 7 mejores métodos para el análisis de sentimiento en audio

A medida que aumenta el número de consumidores y los datos de los usuarios se acumulan a diario, no sorprende que se produzca una explosión de datos. Las empresas utilizan la recopilación y el análisis de datos para mejorar las ventas, la información sobre los clientes o la reputación de la marca. Aunque los datos de voz son la retroalimentación más directa que reciben las empresas de los clientes, a menudo pasan por alto su importancia.

Para comprender mejor cómo evalúan los clientes los productos y servicios, explore cómo analizar el sentimiento en archivos de audio y los ocho mejores métodos que las empresas pueden implementar:

¿Qué es el análisis de sentimiento en audio?

Los métodos tradicionales de análisis de sentimiento se basan principalmente en textos escritos como reseñas, comentarios, encuestas, etc. Sin embargo, dado que el lenguaje humano es complejo, matices como la ironía, el sarcasmo o las intenciones no siempre se comprenden fácilmente en el contenido escrito.

El tono acústico de los archivos de audio contiene información más rica y proporciona mejores perspectivas sobre los sentimientos.¹ La información de sentimiento se puede obtener de diversas características de la voz, como:²

• tono
• volumen
• tono de voz
• otras medidas relacionadas con la frecuencia

Por lo tanto, las emociones se pueden reconocer mejor combinando el tono del habla y el análisis del contenido escrito que considerando únicamente los comentarios escritos.

En los últimos años, las empresas han comenzado a implementar métodos de análisis de sentimiento en audio para comprender mejor las opiniones de sus clientes y ofrecerles una mejor experiencia.

¿Cómo funciona el análisis de sentimiento en audio?

Figura 1. Una comparación simplificada del análisis de sentimiento de contenido escrito y multimodal (texto + audio)

Fuente: CM-BERT: BERT Modal cruzado para el análisis de sentimiento de texto y audio.³

Los pasos del análisis de sentimiento en audio son:

1. Recopilación de audio

Recopilación de audio

Comience por recopilar audio. Puede utilizar grabaciones en vivo, archivos pregrabados o audio de plataformas en línea.

Garantía de calidad

Un audio claro es esencial. Intente reducir el ruido de fondo y mantener un sonido nítido. Además, asegúrese de que sus datos sean diversos: diferentes voces, tonos y emociones ayudarán a su model a aprender mejor.

Preprocesamiento

Una vez recopilado, limpie el audio. Esto incluye eliminar ruido, ajustar el volumen y recortar silencios. Estos pasos dejan el audio listo para las siguientes fases.

2. Transcripción a texto

Conversión de audio a texto

Las herramientas de reconocimiento de voz convierten las palabras habladas en texto. Whisper de OpenAI sigue siendo una opción común, pero las versiones actuales, como large-v3 y la más rápida large-v3-turbo, han sustituido a la versión de 2022 que la mayoría de las guías siguen citando. Las opciones más nuevas, incluidos los models de transcripción de OpenAI GPT-4o, añaden etiquetado de hablante integrado. Esto elimina la necesidad de una herramienta separada para distinguir la voz de un agente de la de un cliente en una llamada grabada.

Limpieza del texto

Es posible que el texto transcrito necesite formato. Puede eliminar la puntuación adicional, poner todas las palabras en minúsculas o limpiar los caracteres especiales.

3. Elección del model

Elija un model que funcione bien con audio y texto. Algunos models están entrenados en lenguaje emocional o hablado. Elija uno con buena precisión y flexibilidad.

4. Interpretación y uso de los resultados

Comprensión de los resultados

Utilice los datos para saber cómo se sienten las personas. Esto resulta útil en áreas como el servicio de atención al cliente, el marketing y la opinión pública.

Visualización de resultados

Muestre las puntuaciones de sentimiento en gráficos, tablas o paneles. Esto ayuda a ver rápidamente el tono emocional del audio.

7 métodos para realizar el análisis de sentimiento en audio

Existen siete métodos principales para realizar el análisis de sentimiento en audio.

1- Reconocimiento automático del habla (ASR)

Figura 2. Un ejemplo de cómo funciona el ASR

Fuente: Extracción de sentimiento de transmisiones de audio naturales⁴

Proceso: ASR transcribe las frases habladas a texto mediante el reconocimiento de voz. A continuación, el texto transcrito se analiza en busca de sentimiento mediante técnicas de procesamiento del lenguaje natural (NLP).

Ejemplo: En los centros de llamadas, el ASR puede transcribir las conversaciones con los clientes, lo que permite que los models de análisis de sentimiento determinen el sentimiento general de la interacción.

2- WaveNet (análisis de la forma de onda de audio sin procesar)

Proceso: WaveNet analiza directamente las formas de onda de audio sin procesar para extraer características de audio mediante redes neuronales profundas. Este método no requiere transcripción de audio y puede capturar detalles intrincados de la señal de audio. Es un método probabilístico que ofrece resultados de vanguardia con un dataset multimodal (texto+audio).

Ejemplo: WaveNet puede detectar diferentes emociones a partir del tono y la altura del audio, lo que proporciona una buena representación del estado emocional del hablante.

WaveNet se creó principalmente para generar voz, no para puntuar sentimientos. Hoy en día, los equipos que trabajan con sentimiento a partir de la forma de onda sin procesar suelen recurrir a codificadores autosupervisados como Wav2Vec 2.0 o HuBERT, entrenados específicamente para representar tanto el contenido del habla como las señales vocales como el tono.⁵ La idea central de WaveNet, aprender directamente de la forma de onda en lugar de características creadas a mano, sigue vigente. El model específico ha sido sustituido en su mayor parte por estos codificadores más nuevos.

3- Representaciones de codificador bidireccional crossmodal de transformers (CM-BERT)

Figura 3. La arquitectura de la red CM-BERT

Fuente: CM-BERT: BERT Modal cruzado para el análisis de sentimiento de texto y audio.³

Proceso: El enfoque CM-BERT se basa en la interacción entre texto y audio y ajusta dinámicamente el peso de las palabras comparando la información de diferentes modalidades. Utiliza models de aprendizaje automático para analizar tanto la señal de audio como su transcripción, aprovechando los puntos fuertes de ambas modalidades.

Ejemplo: En un proyecto que analiza grabaciones de audio de podcasts, CM-BERT puede proporcionar información sobre el sentimiento expresado tanto en las palabras habladas como en las características del audio.

4- Coeficientes cepstrales de frecuencia Mel (MFCCs)

Proceso: Los MFCC se utilizan para representar el espectro de potencia a corto plazo del sonido. Se extraen de las grabaciones de audio y se utilizan como características para los models de análisis de sentimiento.

Ejemplo: Al analizar los MFCC, los models de aprendizaje automático pueden reconocer diferentes estados emocionales en los archivos de audio, como alegría, tristeza o enfado.

Los MFCC siguen funcionando como un conjunto de características ligero y rápido, y siguen siendo una opción predeterminada razonable para equipos con presupuestos de cómputo ajustados. Los models autosupervisados más nuevos, como Wav2Vec 2.0, HuBERT y emotion2vec, superan hoy a los sistemas basados en MFCC en la mayoría de los benchmarks publicados, ya que aprenden características directamente del audio sin procesar en lugar de depender de una fórmula fija.⁶ Los equipos que buscan la máxima precisión tienden a elegir uno de estos en su lugar.

5- Análisis de características prosódicas

Proceso: Este método analiza características prosódicas como la entonación, el acento y el ritmo del habla. Estas características son cruciales para comprender el tono emocional de las grabaciones de audio.

Ejemplo: El análisis de características prosódicas se puede utilizar en las interacciones de atención al cliente para identificar estrés o frustración en la voz de un cliente, lo que ayuda a mejorar la interfaz de usuario y las estrategias de respuesta.

6- Redes neuronales profundas (DNNs)

Proceso: Las DNNs se pueden entrenar con grandes datasets de grabaciones de audio para reconocer patrones y clasificar sentimientos. Son capaces de aprender representaciones complejas de datos de audio.

Ejemplo: Las DNNs se pueden emplear en proyectos de análisis de sentimiento donde se requiere una alta precisión, como en las publicaciones de audio en redes sociales para medir la opinión pública.

emotion2vec, lanzado en 2024 y mantenido activamente hasta 2026, es un model de código abierto entrenado específicamente para extraer señales emocionales del audio sin procesar.⁷ Se ejecuta en una sola GPU, es gratis de usar y se ha convertido en una referencia común en la investigación de emociones en el habla: el papel que desempeña Whisper para la transcripción.

7- Redes neuronales recurrentes (RNNs) y redes de memoria a corto y largo plazo (LSTM)

Figura 4. Redes neuronales recurrentes con dos capas ocultas

Fuente: Clasificación y predicción de sistemas caóticos de ondas con técnicas de aprendizaje automático.⁸

Proceso: Las RNNs y las LSTM están diseñadas para manejar datos secuenciales, lo que las hace adecuadas para analizar dependencias temporales en señales de audio. Pueden capturar la progresión de las emociones.

Ejemplo: Al analizar grabaciones de audio largas, como entrevistas o discursos, las RNNs y las LSTM pueden rastrear los cambios de sentimiento a lo largo de todo el archivo de audio.

8- Grandes audio-language models (LALMs)

Proceso: Un large audio-language model lee audio y texto en una sola pasada, dentro de un único model. Los métodos más antiguos dividen el trabajo en dos: un model convierte el habla en texto y otro model aparte lee ese texto para el sentimiento. Dividir el trabajo pierde información; un “Eso es genial” plano e inexpresivo puede leerse como positivo cuando se puntúan las palabras. Un large audio-language model mantiene juntos el tono, el ritmo y la elección de palabras, por lo que detecta esa discrepancia.

Los ejemplos en producción incluyen OpenAI GPT-4o Audio, Google Gemini 2.5 y Qwen2.5-Omni de Alibaba. Cada uno acepta directamente un clip de audio y devuelve una transcripción, una etiqueta de emoción o ambas cosas, sin exponer un paso de transcripción separado.

Ejemplo: Una plataforma de soporte enruta una llamada de cliente directamente a uno de estos models. Devuelve una transcripción, una puntuación de sentimiento y una nota sobre dónde cambió el tono durante la llamada, todo a partir de una sola pasada sobre el audio.

Equilibrio: Estos models cuestan más de ejecutar por minuto de audio que los models más pequeños y específicos. Los equipos que gestionan un gran volumen de llamadas suelen ejecutar un model ligero de código abierto, como emotion2vec, como primera pasada y, a continuación, envían las llamadas marcadas a un model más grande para una lectura más detallada.⁹

Las 8 principales aplicaciones del análisis de sentimiento en audio

El análisis de sentimiento en audio tiene una amplia gama de aplicaciones en diversos campos, ya que mejora los procesos y proporciona información valiosa en todos los sectores.

1- Centros de llamadas

En los centros de llamadas, el análisis de sentimiento en audio se utiliza para analizar las interacciones con los clientes. Al realizar el análisis de sentimiento en las grabaciones de audio, las empresas pueden determinar el sentimiento expresado durante las llamadas, ya sea positivo, negativo o neutral. Esta información puede ayudar a mejorar el servicio de atención al cliente de las siguientes maneras:

• Identificación de problemas: Detectar los sentimientos negativos a tiempo permite a los agentes del centro de llamadas abordar las preocupaciones de los clientes de manera más eficaz.
• Fines de formación: Comprender los estados emocionales de los clientes durante las llamadas puede servir para formar a los agentes y mejorar su capacidad para manejar diferentes emociones.
• Garantía de calidad: Los resultados del análisis de sentimiento se pueden utilizar para supervisar y mantener la calidad del servicio, garantizando una satisfacción constante del cliente.

2- Reconocimiento de emociones

Detectar diferentes emociones en las grabaciones de audio puede mejorar significativamente las interfaces de usuario y crear sistemas de IA más empáticos. El reconocimiento de emociones mediante el análisis de sentimiento en audio implica:

• Experiencias personalizadas: Adaptar las respuestas en función de las emociones detectadas para ofrecer una experiencia de usuario más personalizada y atractiva.
• Aplicaciones de salud mental: La supervisión de los estados emocionales puede ayudar en las aplicaciones de salud mental al reconocer signos de estrés, ansiedad o depresión en las grabaciones de audio.
• Asistentes virtuales: Mejorar las interacciones de los asistentes virtuales permitiéndoles responder de manera más adecuada al tono emocional del usuario.

3- Investigación de mercado

En la investigación de mercado, el análisis de sentimiento en audio de archivos de audio procedentes de grupos focales o de los comentarios de los clientes puede proporcionar información valiosa. Al analizar los sentimientos en las respuestas habladas, las empresas pueden:

• Comprender las preferencias de los consumidores: Obtener información sobre las opiniones de los clientes acerca de productos o servicios, lo que ayuda a las empresas a tomar decisiones informadas.
• Desarrollo de productos: Utilizar los datos de sentimiento para orientar el desarrollo y la mejora de los productos basándose en los comentarios de los clientes.
• Percepción de marca: Supervisar y analizar el sentimiento del público hacia una marca, lo que permite a las empresas ajustar sus estrategias en consecuencia.

4- Monitoreo de redes sociales

El análisis de sentimiento en audio también se puede aplicar a archivos de audio de podcasts o contenidos de vídeo compartidos en plataformas de redes sociales. Esta aplicación ayuda a:

• Análisis de la opinión pública: Analizar los sentimientos en el contenido hablado para medir la opinión pública sobre diversos temas.
• Estrategia de contenido: Influir en las estrategias de creación de contenido al comprender las reacciones emocionales de la audiencia ante diferentes tipos de contenido.
• Análisis de tendencias: Identificar tendencias y sentimientos emergentes en las conversaciones de las redes sociales, lo que permite a las empresas adelantarse en sus esfuerzos de marketing.

5- Atención sanitaria

En el sector sanitario, el análisis de sentimiento en audio se puede aplicar a las interacciones entre pacientes y médicos, las consultas de telemedicina y los comentarios de los pacientes. Esto puede dar lugar a:

• Mejora de la atención al paciente: Comprender las emociones del paciente puede ayudar a los profesionales sanitarios a ofrecer una atención más empática y personalizada.
• Detección temprana de afecciones: Reconocer los cambios en el estado emocional de un paciente puede ayudar a detectar de forma temprana problemas de salud mental u otras afecciones.
• Satisfacción del paciente: Analizar los comentarios de los pacientes para mejorar la calidad de los servicios sanitarios y garantizar la satisfacción del paciente.

6- Educación

En el ámbito educativo, el análisis de sentimiento en audio se puede utilizar para analizar las interacciones de los estudiantes, los comentarios de los profesores y los debates en el aula. Esto puede favorecer:

• Participación de los estudiantes: Comprender las respuestas emocionales de los estudiantes puede ayudar a los educadores a ajustar sus métodos de enseñanza para mantenerlos interesados.
• Seguimiento del rendimiento: Supervisar el sentimiento en los comentarios de los estudiantes puede proporcionar información sobre la eficacia de los programas educativos y las estrategias de enseñanza.
• Apoyo emocional: Identificar a los estudiantes que pueden necesitar apoyo emocional adicional, lo que permite una intervención oportuna.

7- Industria del entretenimiento

La industria del entretenimiento puede aprovechar el análisis de sentimiento en audio para analizar las reacciones del público ante películas, música y otros contenidos multimedia. Esto puede dar lugar a:

• Mejora del contenido: Utilizar los resultados del análisis de sentimiento para mejorar guiones, diálogos y el contenido general basándose en las reacciones del público.
• Estrategias de marketing: Adaptar las campañas de marketing para que conecten mejor con las respuestas emocionales del público.
• Participación del público: Crear contenido más atractivo y con mayor resonancia emocional al comprender los sentimientos del público.

8- Recursos Humanos

En recursos humanos, el análisis de sentimiento en audio se puede aplicar a los comentarios de los empleados, las entrevistas y las evaluaciones del desempeño. Esto puede mejorar:

• Satisfacción de los empleados: Analizar los sentimientos en los comentarios de los empleados para mejorar las condiciones del lugar de trabajo y abordar sus preocupaciones.
• Procesos de contratación: Comprender las respuestas emocionales de los candidatos durante las entrevistas para tomar mejores decisiones de contratación.
• Gestión del desempeño: Utilizar los datos de sentimiento para respaldar las evaluaciones del desempeño y proporcionar comentarios constructivos.

Reglas que conviene conocer antes de implementar el análisis de sentimiento en audio en la UE

La Ley de IA de la UE prohíbe un uso específico de esta tecnología: inferir las emociones de un empleado a partir de su voz en el trabajo. Esa prohibición, en virtud del artículo 5, apartado 1, letra f), es una de las disposiciones de prácticas prohibidas de la Ley y se aplica desde el 2 de febrero de 2025.¹⁰ Los reguladores nacionales, incluida la CNIL de Francia, han publicado orientaciones sobre cómo prepararse para la aplicación a medida que el resto de la Ley entra en vigor: las normas sobre IA de uso general llegaron en agosto de 2025 y la mayoría de las disposiciones restantes serán plenamente aplicables el 2 de agosto de 2026.

¿Qué está prohibido?

• Leer las emociones a partir de la voz, el rostro u otra señal biométrica de un empleado durante las tareas laborales, las entrevistas o las evaluaciones del desempeño.

¿Qué no cubre la prohibición?

• Sistemas que transcriben una reunión a texto.
• Sistemas centrados en la seguridad, como herramientas que detectan la fatiga del conductor.

Las dos excepciones

• Uso médico.
• Uso de seguridad.
• Puntuar el nivel de estrés de un agente de atención al cliente con fines de formación no cumple los requisitos para ninguna de las dos.

El uso de cara al cliente recibe un trato diferente: Leer el estado de ánimo de un cliente durante una llamada de soporte no está prohibido por la legislación de la UE. Sin embargo, fuera de la prohibición en el lugar de trabajo y la educación, algunas implementaciones de reconocimiento de emociones pueden seguir considerándose de alto riesgo en virtud de una parte separada de la Ley (Anexo III) y pueden activar obligaciones adicionales de transparencia en virtud del artículo 50. La clasificación depende de la implementación específica, no del caso de uso en su conjunto.¹¹

Sanciones: Las multas por infringir la prohibición en el lugar de trabajo alcanzan los 35 millones de euros o el 7 % de los ingresos anuales globales de una empresa, lo que sea más elevado.¹² Incluso antes de que existiera esta prohibición, la autoridad de protección de datos de Hungría ordenó a un banco que dejara de analizar el tono de voz de los empleados en virtud de normas separadas del RGPD, en lo que hoy se conoce como el caso Budapest Bank: una señal de que los reguladores ya trataban esto como un problema en virtud de la legislación de privacidad anterior.¹³

Qué significa esto para los métodos anteriores

• Puntuar el sentimiento del cliente en un centro de llamadas sigue siendo viable en toda la UE, sujeto a las comprobaciones de alto riesgo y transparencia señaladas anteriormente.
• Aplicar la misma puntuación a la voz de un agente, para registrar el estado de ánimo o el estrés durante un turno, está prohibido en virtud del artículo 5, apartado 1, letra f), salvo que se aplique la excepción médica o de seguridad.
• Los casos de uso de entrevistas y evaluación del desempeño, mencionados en la sección de recursos humanos anterior, suelen estar prohibidos de forma absoluta y no solo considerados de alto riesgo. Trátelos como vetados en las implementaciones en la UE sin una justificación médica o de seguridad confirmada, no como una “revisión antes del lanzamiento”.

No te pierdas nuestros análisis comparativos e insights basados en datos. El botón abre Google; seleccionar AIMultiple confirma que deseas ver AIMultiple con más frecuencia en los resultados de búsqueda de Google.

Añadir como fuente preferida

¿Qué eficacia tienen las herramientas de análisis de sentimiento en audio?

Un benchmark de 2025, AHELM, evaluó cómo los large audio-language models manejan específicamente la detección de emociones, junto con otras nueve tareas de comprensión de audio.¹⁴ Google Gemini 2.5 Pro lideró el grupo en general, encabezando cinco de las diez categorías, incluida la detección de emociones. Ningún model individual lideró todas las categorías. La elección de un model sigue dependiendo del caso de uso específico, no de un puesto en la clasificación.

Un experimento de benchmarking de 2026 evaluó cómo los models modernos detectan el sentimiento directamente a partir de las señales de voz.¹⁵ Los resultados muestran que el análisis de sentimiento basado en audio puede captar señales emocionales como el tono, la altura y la velocidad al hablar. Estas señales suelen perderse cuando el habla se convierte en texto.

El estudio evaluó varios models de voz conocidos, incluidos HuBERT,¹⁶ Wav2Vec,¹⁷ y Whisper.¹⁸ Cuando los models analizaron frases cortas pronunciadas con diferentes tonos emocionales, el rendimiento fue relativamente bueno. La precisión osciló entre 78–91 %, lo que indica que estos models pueden detectar señales emocionales claras en el habla controlada.

Sin embargo, el rendimiento disminuyó cuando los models se probaron con frases más complejas y variadas. En estos casos, la precisión cayó a alrededor del 54–60 %. Los models tuvieron dificultades porque el significado de las frases, el estilo del hablante y el contexto variaban mucho más.

En general, los resultados sugieren que las herramientas de análisis de sentimiento en audio pueden funcionar bien cuando las señales emocionales son claras. Sin embargo, su rendimiento disminuye en conversaciones realistas. Por este motivo, muchos sistemas combinan señales de audio y análisis de texto para mejorar la fiabilidad.

Lecturas adicionales

• Herramientas de análisis de sentimiento de código abierto
• Pruebas de benchmark de análisis de sentimiento
• Herramientas de optimización para motores de respuestas
• Herramientas de IA emocional probadas

Cita esta investigación

Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.

@misc{phd2026,
  author = {PhD., Ezgi Arslan,},
  title  = {{Los 7 mejores métodos para el análisis de sentimiento en audio}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/audio-sentiment-analysis}},
  note   = {AIMultiple. Recuperado el 3 de Julio de 2026}
}

Registro de cambios

6 actualizaciones

1. 20263 de Jul

   Se añadió una sección de grandes modelos de audio-lenguaje como octavo método.

2. 10 de Mar

   Se eliminó un enlace a un artículo relacionado en la sección 'Elección de un modelo de análisis de sentimientos'.

3. 202516 de Jul

   Added the "Audio sentiment analysis steps" section.

4. 2 de Jul

   Eliminado el gráfico de la Figura 1 de la sección ¿Qué es el análisis de sentimiento de audio?

5. 20246 de Ago

   Se amplió la sección "7 métodos para realizar análisis de sentimiento de audio" con cuatro métodos nuevos.

6. 202229 de Sep

   Se redujo el número de métodos de análisis de sentimiento de audio de cuatro a tres.

Enlaces de referencia

1.

APA PsycNet

2.

Towards Discriminative Representation Learning for Speech Emotion Recognition | IJCAI

3.

CM-BERT | Proceedings of the 28th ACM International Conference on Multimedia

4.

Cerrar este diálogo

5.

Speaker Emotion Recognition: Leveraging Self-Supervised Models for Feature Extraction Using Wav2Vec2 and HuBERT

6.

https://www.isca-archive.org/interspeech_2025/uniyal25_interspeech.pdf

7.

Speech emotion recognition using fine-tuned Wav2vec2.0 and neural controlled differential equations classifier - PMC

8.

[1908.04716] Classification and prediction of wave chaotic systems with machine learning techniques

arXiv preprint arXiv:1908.04716

9.

emotion2vec (emotion2vec)

10.

EU AI Act Article 5: The Complete Guide to Prohibited AI Practices – eyreACT: AI Compliance Automation Platform

11.

Article 5: Prohibited AI Practices | EU Artificial Intelligence Act

12.

Article 99: Penalties | AI Act Service Desk

13.

DataGuidance

14.

AHELM: A Holistic Evaluation of Audio-Language Models

15.

Sentiment Analysis with Text and Audio Using AWS Generative AI Services: Approaches, Challenges, and Solutions | Artificial Intelligence

16.

[2106.07447] HuBERT: Self-Supervised Speech Representation Learning by Masked Prediction of Hidden Units

17.

[2006.11477] wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations

18.

GitHub - openai/whisper: Robust Speech Recognition via Large-Scale Weak Supervision · GitHub

Ezgi Arslan, PhD.

Analista de la industria

Síguenos

Ezgi tiene un doctorado en Administración de Empresas con especialización en finanzas y se desempeña como Analista de la Industria en AIMultiple. Impulsa la investigación y los conocimientos en la intersección de la tecnología y los negocios, con experiencia en sostenibilidad, análisis de encuestas y de sentimiento, aplicaciones de agentes de IA en finanzas, optimización para motores de respuestas, gestión de cortafuegos y tecnologías de adquisiciones.

Ver perfil completo

Sé el primero en comentar

Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.

Nombre

Dirección de correo electrónico

Comentario

0/450

Publicar comentario