Las redes neuronales de cápsulas (CapsNet) son consideradas como sustitutos eficientes de las redes neuronales convolucionales (CNN) debido a su potente capacidad de representación jerárquica. Sin embargo, las CNN sufren de su incapacidad para grabar información espacial en espectrogramas. La principal limitación de CapsNet está relacionada con el método de compresión que puede implementarse en modelos CNN pero no puede emplearse directamente en CapsNet. Como resultado, proponemos una arquitectura novedosa basada en CapsNet comprimido de memoria a largo plazo de doble canal (DC-LSTM-COMP CapsNet) para la verificación de locutores en entornos de habla emocional y estresante. El enfoque propuesto se percibe como una red de cápsulas modificada que intenta superar las limitaciones que existen dentro de CapsNet original, así como en CNN, al tiempo que mejora el rendimiento de verificación. La arquitectura propuesta se evalúa en cuatro bases de datos distintas. El análisis experimental revela que el rendimiento promedio de verificación de locutores se mejora en comparación con CNN, CapsNet original, así como con los clasificadores convencionales. El algoritmo propuesto logra notablemente la mejor precisión de verificación en las cuatro bases de datos de voz. Por ejemplo, utilizando el conjunto de datos Emiratí, el porcentaje promedio de tasas de error iguales (EERs) obtenido es del 10.50%, basado en la arquitectura propuesta que supera a otros modelos profundos y clásicos.