Um call center produz milhares de horas de áudio por mês, e quase nada disso é lido. Transcrições tornam as chamadas pesquisáveis. Resumos tornam as chamadas revisáveis. Este post monta o pipeline de ponta a ponta, com foco no árabe: dialetos, árabe e inglês misturados e dígitos arábicos orientais.
As etapas:
- Inspecione a gravação: estéreo ou mono?
- Separe o estéreo nos canais do atendente e do cliente.
- Corte cada canal em turnos de fala.
- Transcreva cada turno no idioma certo.
- Junte os turnos em um diálogo pela hora de início.
- Oculte dados pessoais (PII) do texto.
- Resuma com um LLM em campos estruturados.
Etapa 1: a gravação é estéreo ou mono?
ffprobe -v error -show_entries stream=channels,sample_rate,duration -of csv=p=0 call.wav
# 2,8000,412.6 -> stereo, 8 kHz telephone audio, 6.9 minutes
Muitos gravadores de contact center guardam o atendente em um canal e o cliente no outro. O guia de contact center da AssemblyAI diz o mesmo: com canais separados, você tem a separação de locutores sem diarização. Confira em algumas chamadas qual lado é qual; o atendente nem sempre fica à esquerda.
Etapa 2: como separar canais estéreo com o ffmpeg?
ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 agent.wav
ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 customer.wav
O filtro pan mantém um canal, e -ar 16000 reamostra para 16 kHz, o formato que a documentação da BroadNet usa para gravações telefônicas.
Etapa 3: como cortar cada canal em turnos de fala?
Esta é uma forma simples de detecção de atividade de voz. Enviar cada canal inteiro funciona, mas você paga por cada segundo de silêncio enquanto a outra parte fala, o que mais ou menos dobra a conta em uma chamada estéreo. Também se perde a ordem dos turnos. Cortar nos silêncios resolve as duas coisas:
import re, subprocess
def speech_turns(wav, noise="-35dB", min_silence=0.6):
"""Return (start, end) seconds of speech, using ffmpeg silencedetect."""
log = subprocess.run(
["ffmpeg", "-i", wav, "-af", f"silencedetect=noise={noise}:d={min_silence}", "-f", "null", "-"],
capture_output=True, text=True).stderr
dur = float(subprocess.run(
["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", wav],
capture_output=True, text=True).stdout)
starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", log)]
ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
turns, cursor = [], 0.0
for s, e in zip(starts, ends + [dur]):
if s - cursor > 0.4:
turns.append((cursor, s))
cursor = e
if dur - cursor > 0.4:
turns.append((cursor, dur))
return turns
Ajuste noise nas suas próprias gravações: linhas ruidosas precisam de um limiar mais alto, como -30dB.
Etapa 4: como transcrever cada turno?
import os, tempfile
from openai import OpenAI
client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def transcribe_turns(wav, speaker, language="ar"):
out = []
for start, end in speech_turns(wav):
with tempfile.NamedTemporaryFile(suffix=".wav") as seg:
subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", wav,
"-ss", f"{start:.2f}", "-to", f"{end:.2f}", seg.name], check=True)
with open(seg.name, "rb") as audio:
text = client.audio.transcriptions.create(
model="broadnet/cohere-transcribe-arabic", file=audio, language=language).text
out.append({"start": start, "speaker": speaker, "text": text.strip()})
return out
Sempre envie language. Sem ele, o árabe pode voltar em letras latinas. Para filas em inglês, use broadnet/cohere-transcribe com language="en". Mantenha um pool pequeno de workers: chaves de pagamento por uso permitem 4 requisições simultâneas e 30 por minuto, e o guia de erros e retentativas mostra como fazer backoff em 429.
Cada arquivo precisa ficar abaixo de 25 MiB. Um monólogo longo em WAV mono de 16 kHz (cerca de 32 KB por segundo) passa desse limite por volta dos 13 minutos; divida-o com -f segment -segment_time 600.
Etapa 5: como juntar os turnos em um diálogo?
turns = transcribe_turns("agent.wav", "Agent") + transcribe_turns("customer.wav", "Customer")
dialogue = "\n".join(f'{t["speaker"]}: {t["text"]}' for t in sorted(turns, key=lambda t: t["start"]))
Falas sobrepostas aparecem como dois turnos com horários de início próximos, que é o que um revisor humano espera.
E as gravações mono?
Sem canais, você precisa de diarização de locutores: decidir quem falou quando. Opções:
| Opção | Como | Trade-off |
|---|---|---|
| Diarização open source | Rode o pyannote.audio nos seus servidores e depois transcreva cada segmento de locutor | Você hospeda um modelo; o áudio fica com você |
| Um provedor com diarização embutida | Várias APIs de STT devolvem rótulos de locutor; veja a comparação de preços para os custos adicionais | Mais um fornecedor no caminho dos dados |
| Rotulagem de papéis com LLM | Transcreva os turnos e peça a um LLM que rotule cada turno como atendente ou cliente pelo contexto | Barato; erra em turnos curtos ou ambíguos |
| Resolver na origem | Mude o gravador para dois canais | A melhor resposta a longo prazo |
A BroadNet não lista diarização, então em áudio mono combine-a com uma das três primeiras opções.
Etapa 6: como ocultar dados pessoais, incluindo dígitos árabes?
Quem liga lê em voz alta números de cartão, IBANs e números de telefone. As transcrições podem escrevê-los em dígitos ocidentais (0-9) ou arábicos orientais (٠-٩). Normalize primeiro, depois oculte:
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")
def redact(text):
text = text.translate(EASTERN)
text = re.sub(r"\b(?:\d[ -]?){13,19}\b", "[CARD]", text)
text = re.sub(r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b", "[IBAN]", text)
text = re.sub(r"\+?\d[\d -]{7,}\d", "[PHONE]", text)
return text
Números também podem ser falados por extenso (“خمسة أربعة…”), e a regex não vai pegá-los. Revise amostras de transcrições à mão e acrescente regras para o que encontrar. A abordagem mais ampla está em enviar dados sensíveis a uma API de LLM.
Etapa 7: como resumir cada chamada com um LLM?
import json
summary = client.chat.completions.create(
model="broadnet/qwen3.8-27b",
response_format={"type": "json_object"},
messages=[
{"role": "system", "content": "Summarise this call centre dialogue. Reply in English JSON with keys: "
"reason, resolution, resolved (true/false), customer_sentiment, follow_up."},
{"role": "user", "content": redact(dialogue)},
],
).choices[0].message.content
print(json.loads(summary))
O Qwen3.8 27B suporta saída estruturada; sempre faça o parsing e valide a resposta (como). O teste da própria BroadNet também mostrou que ele entende os dialetos do Golfo e egípcio. Peça JSON em inglês se os seus dashboards estão em inglês, mesmo quando a chamada é em árabe.
Quais checagens de qualidade vêm antes do analytics?
Dashboards construídos sobre transcrições ruins parecem tão confiantes quanto os construídos sobre transcrições boas. Acrescente estas checagens ao pipeline:
- Canais trocados. Se os rótulos de atendente e cliente estiverem invertidos em algum gravador ou fila, toda métrica do tipo “o atendente disse” fica errada. Confira o primeiro turno: atendentes costumam abrir com uma saudação e o nome da empresa.
- Transcrições vazias ou mínimas. Um turno que não devolve texto, ou uma chamada com menos de 20 palavras, geralmente indica silêncio, música de espera ou arquivo com defeito. Sinalize em vez de resumir.
- Idioma errado. Uma fila em inglês que de repente produz texto em árabe, ou árabe devolvido em letras latinas, aponta para um valor de
languageerrado. - Desvio nos resumos. Toda semana, peça a um supervisor que compare 20 resumos com a transcrição completa. Acompanhe com que frequência
resolvedestá errado.
Guarde as transcrições por turno, não só o resumo. Quando um resumo for contestado, os turnos são a sua prova.
Quanto custa transcrever chamadas?
Com o corte em turnos, o áudio cobrado fica perto do tempo de conversa. Para 1.000 horas de fala em árabe:
- Transcrição: $252.00 a $0.0042 por minuto no BroadNet Transcribe Arabic, ou $120.00 no BroadNet Transcribe, de 14 idiomas, para filas em inglês.
- Resumos: uma chamada de 7 minutos costuma ter alguns milhares de tokens. Calcule o preço na calculadora de custo de API de LLM com o tamanho real das suas transcrições, e a parte de áudio na calculadora de custo de speech-to-text.
Onde a BroadNet Inference entra
A BroadNet cobre as etapas 4 e 7 com uma chave e uma base URL: árabe e outros 13 idiomas para transcrição, e modelos de chat testados em árabe para o resumo. Áudio, transcrições e prompts não são retidos (retenção zero de dados), e a BroadNet coloca seu modelo de árabe em #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) no Open Universal Arabic ASR Leaderboard.
Ela não faz diarização, transcrição em tempo real nem ocultação de dados por você; isso fica no seu pipeline. Antes de se comprometer, teste os seus dialetos com o método de reconhecimento de fala em dialetos árabes.

