La verificación de locutor dependiente del texto (TdSV) representa un área crítica en la biometría de voz, donde la combinación de parámetros lingüísticos y acústicos exige modelos robustos y eficientes. En la edición 2024 del desafío TdSV, los equipos compitieron por minimizar errores en condiciones controladas pero realistas, empleando arquitecturas de redes neuronales profundas y estrategias de conjunto para mejorar la fiabilidad. Un enfoque destacado fue la adaptación de modelos preentrenados en conjuntos masivos como VoxCeleb, seguida de un ajuste fino sobre los datos específicos de la competición, logrando tasas de error iguales (EER) inferiores al 1,5% y costes de detección mínimos muy bajos. La incorporación de redes ligeras como EfficientNet-A0 permitió no solo reducir la carga computacional, sino también diversificar las representaciones internas del sistema, lo que incrementó la precisión global mediante técnicas de ensemble. Estas soluciones requieren un conocimiento profundo de inteligencia artificial y de las particularidades del tratamiento de señales, áreas donde empresas como Q2BSTUDIO ofrecen ia para empresas adaptada a necesidades concretas, desde la validación de identidad hasta sistemas de autenticación multimodal. Además, la integración de estos modelos en entornos productivos demanda una infraestructura escalable; por ello, la adopción de software a medida permite personalizar tanto la lógica de verificación como la interfaz de usuario. Los resultados del desafío evidencian que la combinación de múltiples arquitecturas, unida a una cuidadosa optimización de hiperparámetros y a un preprocesamiento de datos basado en aumentación, es una vía sólida para alcanzar alto rendimiento en verificación de locutor dependiente del texto. En un contexto más amplio, estas técnicas son aplicables a soluciones de ciberseguridad que requieren autenticación por voz, y pueden integrarse con plataformas cloud como servicios cloud aws y azure para desplegar agentes IA capaces de responder en tiempo real. Del mismo modo, la analítica de patrones de interacción se beneficia de herramientas de servicios inteligencia de negocio como power bi, que permiten visualizar métricas de rendimiento del sistema. La evolución hacia modelos más ligeros y eficientes abre la puerta a aplicaciones a medida en dispositivos IoT y sistemas embebidos, donde el equilibrio entre precisión y consumo de recursos es determinante. En definitiva, el enfoque del equipo Naive en el TdSV 2024 demuestra que la sinergia entre redes preentrenadas, diseños compactos y aprendizaje conjunto es una estrategia ganadora, replicable en entornos empresariales que buscan soluciones robustas de verificación biométrica.