La detección de ocupación ayuda a habilitar varias aplicaciones emergentes en entornos inteligentes que van desde el control oportunista de calefacción, ventilación y aire acondicionado (HVAC), la gestión efectiva de reuniones, la organización de reuniones sociales saludables, hasta la planificación y organización de eventos públicos. La disponibilidad ubicua de teléfonos inteligentes y sensores portátiles con los usuarios durante casi 24 horas ayuda a revitalizar una multitud de aplicaciones novedosas. El sensor de micrófono incorporado en los teléfonos inteligentes actúa como un habilitador inevitable para ayudar a detectar el número de personas que conversan entre sí en un evento o reunión. Una gran cantidad de otros sensores como el acelerómetro y el giroscopio ayudan a contar el número de personas en función de otras señales como el movimiento locomotor. En este trabajo, proponemos una fusión de datos multimodal y un enfoque de aprendizaje profundo basado en los sensores de micrófono y acelerómetro de los teléfonos inteligentes para estimar la ocupación. Primero demostramos un algoritmo novedoso de estimación de hablantes para el conteo de personas y extendemos el modelo propuesto utilizando redes profundas para manejar escenarios fluidos a gran escala con señales acústicas no etiquetadas. Complementamos nuestro modelo de detección de ocupación con un esquema de localización basado en huellas dactilares dependiente del magnetómetro para asimilar el volumen de reuniones específicas de ubicación. También proponemos técnicas de crowdsourcing para anotar la ubicación semántica del ocupante. Evaluamos nuestro enfoque en diferentes contextos: conversacionales, de silencio y de escenarios mixtos en presencia de 10 personas. Nuestros resultados experimentales en trazas de datos de la vida real en entornos naturales muestran que nuestro enfoque multimodal puede lograr aproximadamente una distancia de error de conteo de 0,53 en promedio para la precisión de detección de ocupación.