El trabajo aborda el análisis de transcripciones de conversaciones entre clientes y agentes en un centro de llamadas de un servicio de atención al cliente. El objetivo es apoyar el análisis de la transcripción de texto de conversaciones humanas para obtener informes sobre problemas y quejas de los clientes, y sobre cómo un agente los ha resuelto. El objetivo es proporcionar un servicio de atención al cliente con un alto nivel de eficiencia y satisfacción del usuario. Con este fin, se considera la modelización de temas, ya que facilita un análisis perspicaz de documentos y conjuntos de datos grandes, como una síntesis de los temas principales y las características de los temas. Este trabajo presenta una comparación de rendimiento de cuatro algoritmos de modelización de temas: (i) Asignación de Dirichlet Latente (LDA); (ii) Factorización de Matriz No Negativa (NMF); (iii) Neural-ProdLDA (LDA Neural) y Modelos de Temas Contextualizados (CTM). El estudio comparativo se basa en una base de datos que contiene transcripciones reales de conversaciones en lenguaje natural italiano. Los resultados experimentales y diferentes métricas de evaluación de temas se analizan en este trabajo para determinar el modelo más adecuado para el estudio de caso. El conocimiento adquirido puede ser aprovechado por los profesionales para identificar la estrategia óptima y para realizar y evaluar la modelización de temas en transcripciones en lenguaje natural italiano de conversaciones humanas. Este trabajo puede ser un activo para fundamentar aplicaciones de modelización de temas y puede ser inspirador para estudios de caso similares en el ámbito de la calidad del servicio al cliente.