Actualmente, las tecnologías de asistencia basadas en inteligencia artificial, especialmente aquellas que involucran datos sensibles, como sistemas para detectar enfermedades mentales y trastornos emocionales, están llenas de compromisos de confidencialidad, integridad y seguridad. En el contexto mencionado, este trabajo propone un algoritmo para detectar estados depresivos basado en solo tres marcadores de habla nunca utilizados. Este número reducido de marcadores ofrece una protección valiosa de datos personales (sensibles) al no permitir la recuperación de la identidad del hablante. Los marcadores de habla propuestos se derivan del análisis de variaciones de tono medidas en datos de habla obtenidos a través de una tarea de lectura de cuentos realizada por sujetos típicos y deprimidos. Se involucró a una muestra de 22 sujetos (11 deprimidos y 11 sanos, según el diagnóstico psiquiátrico y la clasificación del BDI). Los archivos de onda de lectura fueron escuchados y divididos en una secuencia de intervalos, cada uno con una duración de dos segundos. Para la lectura de cada sujeto y cada intervalo de lectura, se calcularon automáticamente el tono promedio, la variación de tono (), la variación de tono promedio () y el porcentaje de inversión (también llamado porcentaje de oscilación). Los valores del trío (, , ) para el -ésimo sujeto proporcionan, en conjunto, una correcta discriminación entre el habla producida por individuos típicos y deprimidos, al tiempo que requieren un costo computacional muy bajo y ofrecen una valiosa protección de datos personales.