Blog
O que é diarização de falantes? Como funciona
Autor: Hushscript Publicado em: Última revisão:
A diarização de falantes é o processo automático de dividir uma gravação em segmentos por falante, respondendo “quem falou quando?” antes que qualquer pessoa leia a transcrição. A pesquisa atual sobre diarização de falantes na ACL Anthology descreve a mesma tarefa para conversas com vários participantes. É a diferença entre uma parede de palavras e uma conversa estruturada, e é por isso que a transcrição de uma entrevista entre duas pessoas volta como um diálogo legível em vez de um parágrafo longo.
Em termos simples: você envia uma gravação, o mecanismo de diarização encontra os pontos em que a voz muda, agrupa os segmentos que soam como a mesma pessoa e devolve uma transcrição com uma linha por turno, rotulada por voz. Este artigo cobre o significado de diarização, como ela funciona passo a passo, como se diferencia da identificação de falantes, as ferramentas que os desenvolvedores usam e onde ela erra.
O que é diarização de falantes? O significado em linguagem simples
Imagine transcrever à mão uma entrevista de 90 minutos. Depois de transformar a voz em texto, o trabalho seguinte é a atribuição: “Entrevistador:”, “Entrevistado:”, de um lado para o outro, a cada troca de voz. Decidir quem está falando em cada segundo é exatamente o que a diarização faz por você. Você também verá o termo diarização de fala. A definição é a mesma: marcar cada parte do áudio com a voz a que ela pertence.
O resultado é uma transcrição em formato de diálogo:
Locutor A [00:00:12]: A primeira coisa a entender é que os dados só existem por um momento.
Locutor B [00:00:27]: Certo, e essa é a parte que a maioria das pessoas não percebe até ser tarde demais.
Locutor A [00:00:34]: Exatamente. Então a verdadeira questão é o que você faz nessa janela.
Cada fala fica ligada a um falante e a um carimbo de tempo. Depois você pode renomear Locutor A e Locutor B para nomes reais, com uma edição por falante, e o rótulo é atualizado em todos os lugares onde aparece.
A alternativa, uma transcrição simples sem diarização, é um bloco contínuo de texto em que você precisa reouvir o áudio para descobrir quem disse o quê. Com mais de alguns minutos e duas ou mais vozes, isso dá trabalho manual de verdade, e é esse trabalho que a diarização elimina.
O que você precisa antes de começar
A diarização é executada na própria gravação, então o único pré-requisito real é um áudio em que os falantes sejam razoavelmente distintos:
- Uma gravação com todas as vozes. A diarização funciona dentro de um único arquivo, então todos os falantes precisam estar nele. Uma mesa-redonda em que todos usam o mesmo microfone de sala funciona; duas pessoas gravadas cada uma no próprio dispositivo, salvas como dois arquivos separados, não. Combine os arquivos em uma única mixagem antes.
- Áudio claro o bastante. Não precisa ter qualidade de estúdio. Cada pessoa precisa estar audível sem esforço, com pouca fala cruzada e pouco ruído de fundo. Quanto mais limpa a separação entre as vozes, mais limpos os rótulos.
- Uma ideia aproximada de quantas pessoas estão falando. Você não precisa informar isso, mas saber ajuda a conferir o resultado: se você gravou três pessoas e a transcrição mostra seis falantes, já sabe onde olhar.
Sem cadastro de microfone, sem amostras de voz, sem configuração por falante.
Como funciona a diarização de falantes
A diarização se divide em algumas etapas distintas. Conhecê-las facilita a leitura do resultado e a correção quando algo sai errado. Este diagrama de diarização de falantes mostra o fluxo do arquivo de áudio até os rótulos, lido da esquerda para a direita:
áudio -> quadros -> características -> pontos de troca -> grupos -> rótulos
arquivo 10-40 ms altura, espectro A | B | A | C A, B, C Locutor A, B, C
Extração de características. O áudio é dividido em quadros curtos, em geral de 10 a 40 milissegundos cada, e o mecanismo mede características acústicas em cada quadro. As que importam para distinguir falantes estão no domínio da frequência: altura, formantes e padrões espectrais que tendem a se manter consistentes na voz de uma pessoa e a diferir entre pessoas.
Segmentação. O mecanismo procura pontos de troca de falante: momentos em que essas características da voz mudam. Essa é a parte difícil. Uma troca pode cair no meio da frase quando alguém interrompe, e ruído ou fala sobreposta podem esconder um limite real ou inventar um falso.
Agrupamento. Segmentos que soam como a mesma voz são agrupados. O mecanismo não é informado de quantas pessoas estão na sala; ele deduz a quantidade de falantes a partir do áudio. Se você sabe o número com antecedência, algumas configurações permitem informá-lo. Se não, o mecanismo estima, e é daí que vem a maioria dos erros de “uma pessoa dividida em duas” e “duas pessoas fundidas em uma”.
Rotulagem. Cada grupo recebe um rótulo: Locutor A, Locutor B, Locutor C, ou Locutor 0, Locutor 1. Os rótulos são marcadores arbitrários. Não há identidade por trás deles, apenas uma referência estável para uma voz ao longo de toda a gravação.
Esse é o pipeline clássico. Sistemas mais novos costumam treinar modelos neurais que tratam várias dessas etapas em conjunto. O objetivo e o resultado continuam os mesmos: uma linha do tempo de quem falou quando. No Hushscript, tudo isso roda como uma passagem automática junto com a transcrição, então você não executa um trabalho separado de rotulagem de falantes.
Modelos de diarização de falantes, ferramentas em Python e APIs
Desenvolvedores que querem executar a diarização por conta própria têm algumas rotas. O pyannote.audio é um toolkit de código aberto em Python para diarização de falantes, baseado em PyTorch, com pipelines de diarização prontos. Projetos como o WhisperX combinam um modelo de transcrição com um modelo de diarização para que o texto e os turnos de fala fiquem alinhados. Rodar qualquer um deles por conta própria significa configurar os modelos, ter capacidade de processamento e escrever algum código em volta.
Uma API é o caminho do meio: você envia o áudio e recebe o texto com os turnos de fala. A API pública do Hushscript aceita a opção speaker_detection nos trabalhos de transcrição. Veja como funciona na página para desenvolvedores.
Se você só quer o resultado, uma transcrição com falantes rotulados a partir de um arquivo, não há nada para instalar. A próxima seção explica por que a diarização sozinha não consegue dar nome a ninguém, e as seguintes mostram o caminho sem código.
Diarização de falantes versus identificação de falantes
Os dois conceitos são confundidos o tempo todo, mas respondem a perguntas diferentes.
Diarização pergunta: quem está falando neste momento, em relação às outras vozes deste arquivo? Ela separa as vozes, mas não faz ideia de a quem pertencem. Não precisa de conhecimento prévio.
Identificação de falantes, também chamada de reconhecimento de voz, pergunta: esta é a mesma pessoa de uma gravação de referência conhecida? Ela precisa de uma amostra de voz cadastrada para comparar e é a tecnologia por trás dos sistemas de “confirme sua identidade pela voz”.
O Hushscript usa diarização, não reconhecimento de voz. Ele não cadastra vozes nem compara a sua gravação com a de outras pessoas. Os rótulos de falante são derivados das características de voz dentro daquele único arquivo.
Essa distinção é o motivo de a diarização não conseguir dar nome às pessoas. Ela pode dizer “a mesma pessoa falou estes 200 turnos ao longo da hora”, mas não quem é essa pessoa. Essa etapa é sua. Se você procura um software que rotule falantes em uma transcrição, e não uma explicação do método, a página de identificação de falantes mostra como o Hushscript trata gravações com vários falantes de ponta a ponta.
Um exemplo prático: uma reunião com três pessoas
Digamos que você grave uma reunião de projeto de 40 minutos com três pessoas na mesma sala, dividindo o microfone de um único notebook, salva em um único arquivo .m4a. Você solta o arquivo e, depois da transcrição, o resultado fica assim:
Locutor A [00:00:04]: Ok, vamos começar pela data de lançamento. Em que pé estamos?
Locutor B [00:00:09]: O design está pronto. Entregamos as telas finais na segunda-feira.
Locutor C [00:00:14]: A engenharia precisa de mais umas duas semanas para o fluxo de pagamento.
Locutor A [00:00:21]: Duas semanas passam da data que prometemos ao marketing.
Locutor B [00:00:27]: Dá para lançar sem o novo fluxo de pagamento e entregar depois?
Locutor C [00:00:33]: Não sem problemas. O fluxo antigo quebra com os novos preços.
Três vozes, separadas e rotuladas, com carimbo de tempo em cada turno. Agora você renomeia: Locutor A vira “Priya” (ela conduz a reunião), Locutor B vira “Tom”, Locutor C vira “Dana”. Depois de três renomeações, cada linha tem um nome real, e a transcrição está pronta para colar nas anotações da reunião com a atribuição correta do início ao fim.
O mesmo formato vale para uma entrevista com duas pessoas, um podcast com quatro ou uma ligação com dois lados: o mecanismo separa o que ouve, e você coloca os nomes.
Teste a diarização de falantes online com o Hushscript
A detecção de falantes é uma caixa de seleção nas opções de envio, e os rótulos não custam nada a mais. O fluxo: solte o arquivo, cole um link de áudio compatível ou grave no navegador, e uma prévia de até 5 minutos com os falantes rotulados é gerada sem conta. A prévia mostra cada turno do seu próprio áudio em uma linha, com um rótulo. Cadastre-se para transcrever o restante e abra a transcrição pronta. A partir daí:
- Clique em qualquer rótulo de falante no editor da transcrição, como
Locutor B. - Escolha Editar nomes dos locutores no menu que se abre.
- Digite o nome real, como “Tom”, na caixa de diálogo e salve.
- Todas as ocorrências desse falante são atualizadas de uma vez, da primeira à última linha.
A renomeação é global, então você nunca edita o mesmo rótulo duas vezes. Se o mecanismo colocou um turno sob o falante errado, reatribua esse turno ao rótulo certo. Depois você pode exportar a transcrição, com os nomes, em qualquer um dos 21 formatos, como TXT, SRT, DOCX, PDF e JSON, além de um .husharchive protegido por senha.
Desafios da diarização de falantes e como resolvê-los
A diarização é confiável em gravações limpas e fica mais difícil conforme o áudio piora. Os problemas comuns e o que fazer com eles:
Fala sobreposta. Quando duas pessoas falam ao mesmo tempo, o mecanismo precisa atribuir o áudio sobreposto a um único falante e pode rotular errado o trecho cruzado ou perder algumas palavras. Não há correção por software; o áudio contém mesmo duas vozes no mesmo instante. A prevenção é a alavanca: uma gravação em que as pessoas falam por vez gera uma diarização muito mais limpa do que uma cheia de interrupções. Onde houver sobreposição, uma leitura rápida conferindo com o áudio pega as poucas linhas afetadas.
Vozes parecidas. Dois falantes com altura e sotaque próximos (por exemplo, dois homens da mesma idade, ou irmãos) são mais difíceis de separar do que um par contrastante, porque as características das vozes se sobrepõem de fato. O mecanismo pode trocar um turno entre eles de vez em quando. Percorra a transcrição atrás de linhas que soem estranhas para o falante atribuído e reatribua-as manualmente.
Muitos falantes. A precisão cai conforme o número de pessoas sobe, porque cada voz a mais é mais um grupo a manter separado e mais uma chance de sobreposição. O Hushscript não limita a quantidade de falantes por plano pago, mas uma chamada com dez pessoas em um único microfone de notebook exigirá mais revisão do que uma entrevista com duas.
Uma pessoa dividida em dois rótulos. Se o áudio de alguém muda no meio da gravação (a pessoa se aproxima do microfone, passa do fone de ouvido para o viva-voz ou a conexão piora), o mecanismo pode ler a segunda metade como uma voz nova e criar um rótulo a mais. Reatribua os turnos do rótulo extra ao falante certo.
Duas pessoas fundidas em um rótulo. O inverso acontece quando duas vozes baixas ou distantes soam parecidas demais para o mecanismo separá-las. É o mais difícil de reparar depois, então vale prevenir: aproxime o microfone dos falantes e evite gravar do outro lado de uma sala grande. No editor, você pode dividir os turnos e reatribuí-los.
Áudio distante ou com ruído. Um microfone de notebook na ponta de uma mesa de reunião, um celular sobre a mesa durante uma conversa em grupo ou muito eco na sala embaralham os limites entre as vozes. Um microfone mais próximo ajuda todos os falantes, e reduzir o ruído de fundo (ventiladores, trânsito, música) deixa a separação mais nítida. A qualidade da diarização acompanha de perto a qualidade do áudio.
Chamadas gravadas em dois arquivos separados. Se o seu gravador salvou cada lado de uma chamada em um arquivo mono próprio, a diarização de qualquer um dos arquivos sozinho enxerga apenas uma voz. Combine os dois em uma única gravação mixada antes, para que as duas vozes estejam presentes em um só arquivo, e então transcreva esse arquivo.
Dicas de precisão que fazem diferença de verdade
Alguns hábitos melhoram a diarização de forma perceptível, e a maioria deles tem a ver com a gravação, não com o software:
- Deixe cada um falar na sua vez. A fala cruzada é a maior fonte isolada de erros de diarização. Uma discussão moderada é melhor do que um vale-tudo.
- Aproxime o microfone. Distância e eco da sala embaralham as vozes. Um microfone próximo para cada pessoa é o ideal; um microfone compartilhado no meio da mesa é melhor do que um no canto.
- Corte o ruído de fundo evidente. Música, um ventilador ligado ou um café movimentado competem com as vozes e confundem os limites.
- Coloque todas as vozes no arquivo que você transcreve. A diarização compara falantes dentro de uma única gravação. Se um gravador gerou faixas separadas por participante, misture-as em um só arquivo antes, para que a diarização ouça a conversa inteira.
Nada disso precisa ser perfeito. Turnos claros e uma posição razoável do microfone levam a maioria das gravações a rótulos limpos, e o editor resolve o resto.
Por que a diarização importa em entrevistas e reuniões
Sem diarização, a transcrição de uma conversa com várias pessoas fica quase inutilizável para as tarefas mais comuns:
- Citações diretas. Você não pode citar alguém se não sabe quais linhas são dessa pessoa.
- Atribuição em resumos. Um resumo de reunião que não diz quem falou o quê é pouco mais útil do que nenhum resumo.
- Busca por falante. Se você procura algo que uma pessoa disse, não dá para filtrar um único bloco de texto sem distinção.
Com a diarização, cada uma dessas tarefas fica simples, e a transcrição se torna um documento em vez de texto bruto. Para qualquer coisa que será publicada ou citada, seja jornalismo, pesquisa ou notas de episódio de podcast, a atribuição correta não é opcional. Para o trabalho interno, como atas de reunião, pesquisa com entrevistas ou registros de RH, a estrutura rotulada é igualmente valiosa: percorrer um diálogo é muito mais rápido do que ler uma parede de texto.
Para um passo a passo completo em contexto, veja como transcrever uma entrevista, que cobre gravação, transcrição e renomeação para jornalismo e pesquisa, e como transcrever um podcast, para rotular apresentadores e convidados ao longo de um episódio.
Os rótulos de falante não custam nada a mais
A diarização de falantes está incluída em todas as transcrições do Hushscript, sem custo extra. Não há complemento de diarização, nem um plano separado para ela, nem limite de falantes por plano pago em uma gravação. O próprio Hushscript é pré-pago, sem assinatura. Contas pessoais elegíveis podem receber 30 minutos grátis uma única vez após a verificação bem-sucedida do cartão, ou com a primeira compra, caso ainda não tenham sido concedidos. Depois disso você paga apenas pelos minutos que usar; veja os detalhes na página de preços.
Rótulos automáticos podem errar, então revise-os quando a atribuição for importante. Solte uma gravação, receba os rótulos, renomeie-os e exporte o resultado. Há mais sobre como tudo se encaixa na página de áudio em texto.
Fontes e normas independentes
O Hushscript consultou estas referências independentes e não concorrentes. Elas explicam pesquisas, normas ou o funcionamento de plataformas e não representam endosso do Hushscript.
Fontes revisadas em: