Los métodos actuales para evaluar el bienestar individual en la colaboración en equipo en el lugar de trabajo a menudo dependen de encuestas recopiladas manualmente. Esto limita la recolección continua de datos del mundo real y las medidas proactivas para mejorar la satisfacción laboral de los miembros del equipo. Proponemos un método para derivar automáticamente señales sociales relacionadas con el bienestar individual en la colaboración en equipo a partir de datos de audio y video en bruto recopilados en contextos de trabajo en equipo. El objetivo era desarrollar métodos y mediciones computacionales para facilitar el reflejo del bienestar de los individuos hacia sí mismos. Nos enfocamos en cómo el comportamiento del habla es percibido por los miembros del equipo para mejorar su bienestar. Nuestra principal contribución es el ensamblaje de una cadena de herramientas integrada para realizar la extracción multimodal de características de habla robustas en entornos ruidosos y explorar qué características son predictores de las puntuaciones de satisfacción auto-reportadas. Aplicamos la cadena de herramientas a un estudio de caso, donde recopilamos videos de 20 equipos con 56 participantes colaborando durante un período de cuatro días en un proyecto de equipo en un entorno educativo. Nuestra diarización audiovisual de oradores extrajo características individuales de habla de un entorno ruidoso. Como variable dependiente, los miembros del equipo completaron una encuesta diaria PERMA (emociones positivas, compromiso, relaciones, significado y logro). Estas puntuaciones de bienestar fueron predichas utilizando características de habla extraídas de los videos mediante aprendizaje automático. Los resultados sugieren que la cadena de herramientas propuesta fue capaz de predecir automáticamente el bienestar individual en los equipos, lo que llevó a un mejor trabajo en equipo y a miembros del equipo más felices.