El algoritmo de promedio federado personalizado integra un enfoque de promedio federado con una técnica de meta-aprendizaje agnóstica al modelo. En escenarios heterogéneos del mundo real, es esencial implementar técnicas adicionales de protección de la privacidad para el aprendizaje federado personalizado. Proponemos un novedoso esquema de meta-aprendizaje federado diferencialmente privado, CLDP-pFedAvg, que logra garantías de privacidad diferencial a nivel de cliente para el aprendizaje federado que involucra a grandes clientes heterogéneos. El algoritmo de FedAvg basado en meta diferencialmente privado a nivel de cliente permite a los clientes cargar de forma segura parámetros del modelo local para su agregación. Además, proporcionamos un análisis de convergencia del algoritmo de FedAvg basado en meta diferencialmente privado habilitado para el recorte. La estrategia propuesta se evalúa en varios conjuntos de datos, y los hallazgos indican que nuestro enfoque ofrece una mejor protección de la privacidad manteniendo la precisión del modelo.