Diarização de falantes: como a transcrição sabe quem falou

A diarização de falantes é a etapa da transcrição automática que responde "quem falou e quando": ela divide a gravação em segmentos, agrupa os trechos que soam como a mesma voz e os rotula como Falante 1, Falante 2 e assim por diante. Ela não sabe o nome de ninguém; você, ou um sistema que já conhece os participantes, acrescenta os nomes depois. Funciona bem em gravações limpas com poucas vozes distintas e tem dificuldade com falas sobrepostas, vozes parecidas, áudio de telefone e grupos grandes.

Este guia explica a diarização em linguagem simples, a diferença para o reconhecimento de locutor, como ela funciona por dentro, o que a atrapalha e como obter uma transcrição com identificação de falantes em que você pode confiar.

O que é diarização de falantes?

Uma transcrição bruta é um bloco de texto corrido. A diarização a transforma em uma conversa:

Falante 1  00:00:03  Obrigada por participarem. Vamos começar pelo orçamento?
Falante 2  00:00:07  Claro. Estamos uns dez por cento acima em viagens.
Falante 1  00:00:12  Certo, e o que está puxando isso?

O termo vem do inglês "diary" (diário): o sistema mantém um registro de qual voz está ativa a cada momento. Na maioria das ferramentas de transcrição, a diarização roda junto com o reconhecimento de fala. O modelo de fala produz palavras com marcações de tempo, o modelo de diarização produz segmentos de falante com marcações de tempo, e os dois são alinhados para que cada palavra ou frase receba um rótulo de falante.

Se você transcreve entrevistas, reuniões ou podcasts, são esses rótulos que tornam o texto útil: dá para citar a pessoa certa, ver quem falou mais e passar os olhos por uma chamada longa falante por falante.

Diarização ou reconhecimento de locutor

Os dois conceitos costumam ser confundidos, e muitas páginas de produto usam "identificação de falantes" de forma solta para ambos.

Algumas ferramentas misturam as duas coisas. Uma plataforma de reunião sabe qual participante conectado está com o microfone ativo, então mostra nomes sem nenhuma análise de voz. Alguns apps deixam você marcar uma voz uma vez e depois tentam reconhecê-la em gravações futuras. O modelo de transcrição com diarização da OpenAI, por exemplo, aceita trechos curtos de referência para falantes conhecidos, segundo a documentação. Já a diarização simples de um arquivo enviado, que é o que a maioria dos serviços de transcrição faz, termina com rótulos genéricos que você renomeia.

Como a diarização de falantes funciona

Os sistemas modernos variam nos detalhes, mas a maioria segue as mesmas grandes etapas. O kit de código aberto pyannote.audio, uma das bibliotecas de diarização mais usadas, descreve seu pipeline no artigo de Hervé Bredin apresentado no Interspeech 2023, "pyannote.audio 2.1 speaker diarization pipeline: principle, benchmark, and recipe", em três etapas principais: segmentação local em janelas curtas deslizantes, embeddings de falante e agrupamento global.

1. Encontrar onde há fala

A detecção de atividade de voz marca quais partes da gravação têm fala e descarta silêncio, música e ruído. Erros aqui se propagam: a fala não detectada fica sem rótulo, e um ruído confundido com fala pode criar um falante fantasma.

2. Segmentar a fala

A fala é cortada em pedaços curtos nos quais, idealmente, só uma pessoa fala. Os modelos neurais mais novos analisam poucos segundos de cada vez e estimam quais falantes estão ativos em cada quadro, o que também permite sinalizar falas sobrepostas.

3. Transformar cada segmento em um embedding de voz

Uma rede neural converte cada segmento em um embedding: uma lista de números que captura como a voz soa (altura, timbre, jeito de falar), e não o que está sendo dito. Segmentos da mesma pessoa devem gerar embeddings próximos entre si.

4. Agrupar os embeddings

Um algoritmo de agrupamento (clustering) junta os embeddings parecidos. Cada grupo vira um falante. A parte difícil é decidir quantos grupos existem: poucos demais e duas pessoas viram um só rótulo; grupos demais e uma pessoa se divide em vários rótulos. Alguns serviços deixam você informar o número esperado de falantes para ajudar nisso.

5. Alinhar com as palavras

Por fim, os segmentos de falante são casados com as marcações de tempo das palavras vindas do reconhecimento de fala, para que cada linha da transcrição receba um rótulo. Erros nas fronteiras são comuns: a primeira palavra de uma resposta pode cair no falante anterior.

Pesquisadores medem a qualidade com a taxa de erro de diarização (DER, na sigla em inglês), que soma fala perdida, falsos alarmes e falantes trocados. Os números publicados variam muito entre conjuntos de dados, de áudio limpo de rádio e TV até reuniões ruidosas com muita gente, então um único número de "precisão" diz pouco sobre as suas gravações.

O que atrapalha a separação de falantes

• Falas sobrepostas. Quando duas pessoas falam ao mesmo tempo, uma voz geralmente leva o rótulo e as palavras da outra podem se perder ou ser atribuídas à pessoa errada.
• Vozes parecidas. Duas pessoas com idade, gênero e sotaque semelhantes geram embeddings próximos e podem ser fundidas.
• Áudio de telefone e comprimido. Linhas telefônicas de banda estreita e áudios muito comprimidos, como muitos áudios do WhatsApp, eliminam boa parte dos detalhes de que os embeddings dependem.
• Muitos falantes. Cada voz a mais dificulta o agrupamento, principalmente se algumas pessoas falam só um pouco.
• Falas curtas. "Sim", "é", "tá" e outras interjeições de uma palavra são curtas demais para gerar um embedding confiável.
• Um único microfone distante. Um notebook no meio da sala capta eco e volumes desiguais; a mesma pessoa pode soar diferente dependendo de onde está sentada.
• Condições que mudam. Um falante que se movimenta, troca o fone de ouvido pelo viva-voz ou começa a cochichar pode ser dividido em dois rótulos.
• Ruído de fundo e música. Os dois podem ser confundidos com fala ou borrar as características da voz.

Como separar falantes na transcrição com mais confiança

A maior parte dos ganhos vem da gravação, não do software. Nossas dicas de precisão na transcrição tratam da qualidade do áudio em geral; especificamente para falantes:

• Dê um microfone para cada pessoa, se possível, ou pelo menos mantenha todos a uma distância parecida de um microfone compartilhado.
• Se conseguir gravar cada pessoa em uma faixa separada (estrutura de podcast ou gravação de chamada em estéreo, com um lado por canal), transcreva as faixas separadamente. Canais separados são mais confiáveis do que qualquer agrupamento de vozes.
• Peça para as pessoas não falarem ao mesmo tempo nas partes que você precisa ao pé da letra e para esperarem um instante antes de responder.
• Evite o viva-voz e o áudio de videochamada saindo por caixas de som da sala quando for possível gravar direto.
• Peça a cada participante que diga o próprio nome no início. Isso não treina o modelo, mas deixa a renomeação dos rótulos rápida.
• Sempre que der, mantenha uma conversa em um único arquivo. Se você transcrever em partes, os rótulos não vão bater: o Falante 1 da primeira parte pode ser o Falante 2 da segunda.
• Confira os primeiros minutos da transcrição. Se duas pessoas foram fundidas, o problema normalmente continua no arquivo inteiro.

Para entrevistas, nosso guia de transcrição de entrevistas trata do posicionamento do microfone e do consentimento; para chamadas, veja o guia de transcrição de reunião no Google Meet, Zoom e Teams.

Como renomear e corrigir falantes no Audiotexta

Quando você envia um arquivo, cola um link ou grava pelo microfone no Audiotexta, a transcrição volta com identificação de falantes e marcações de tempo. Para transformar Falante 1 e Falante 2 em nomes reais, renomeie o falante no editor; o novo nome vale para todos os trechos daquele falante na transcrição. O editor destaca as palavras durante a reprodução e permite clicar em qualquer palavra para pular àquele ponto do áudio, o que agiliza conferir de ouvido uma fala duvidosa e corrigi-la.

Renomeie e corrija antes de exportar, para que os nomes apareçam no TXT, SRT e VTT (disponíveis no plano gratuito, sem precisar de conta) ou no DOCX, PDF, CSV e JSON do Pro. Em arquivos de legenda, os nomes ajudam o espectador a acompanhar o diálogo; em CSV ou JSON, permitem analisar quem disse o quê.

Como todo sistema de diarização, o Audiotexta funciona melhor com áudio limpo e vozes distintas, e não leva os nomes dos falantes de um arquivo para o outro: cada gravação começa com rótulos novos e anônimos.

Ferramentas que transcrevem com identificação de falantes

A identificação de falantes já é comum, mas cada ferramenta a implementa de um jeito. Veja um panorama rápido com base na documentação de cada fornecedor ou, quando indicado, em descrições de terceiros (verificado em outubro de 2026; os recursos mudam, então confirme no site do fornecedor).

As plataformas de reunião têm uma vantagem real aqui: quando cada pessoa entra com a própria conta, elas sabem os nomes sem precisar adivinhar pela voz. Apps que guardam impressões vocais, como o Otter, economizam tempo de renomeação se você grava sempre as mesmas pessoas. Já para gravações enviadas de entrevistas, ligações ou podcasts, a diarização baseada na voz é a única opção, e uma revisão rápida com renomeação no editor faz parte do trabalho.