BroadRouter
Começar

Diarização de locutores (speaker diarization)

Atualizado em

Diarização de locutores é a tarefa de dividir uma gravação de áudio em segmentos por falante, respondendo "quem falou e quando". Ela marca cada trecho de fala com um ID anônimo, como SPEAKER_00, e costuma ser combinada com uma transcrição para mostrar quem disse cada fala.

Também chamado de: diarização, diarização de falantes, identificação de locutores, separação de falantes, quem falou quando, speaker diarization, speaker diarisation, speaker labels, who spoke when, speaker separation, speaker segmentation

A diarização transforma um bloco único de transcrição em uma conversa: atendente, depois cliente, depois atendente de novo.

Como funciona

Um pipeline de diarização normalmente tem três etapas:

  1. Encontrar a fala. A detecção de atividade de voz marca onde alguém está falando.
  2. Gerar embeddings de janelas curtas. Um modelo de speaker embedding transforma cada trecho em um vetor que captura a voz.
  3. Agrupar (clustering). Trechos com vetores parecidos recebem o mesmo rótulo, e a fala sobreposta é tratada quando o modelo suporta.

O pipeline aberto speaker-diarization-3.1 do pyannote no Hugging Face recebe áudio mono a 16 kHz (faz downmix do estéreo e reamostra outras taxas) e grava os resultados em RTTM, um formato de texto simples com uma linha por turno de fala. Uma linha RTTM traz arquivo, canal, início, duração e rótulo do falante:

SPEAKER call42 1 0.00 4.21 <NA> <NA> SPEAKER_00 <NA> <NA>
SPEAKER call42 1 4.35 2.80 <NA> <NA> SPEAKER_01 <NA> <NA>

O model card informa o diarization error rate (DER) por benchmark, de 7,8% no REPERE a 50,0% no AVA-AVD, com 11,3% no VoxConverse. A variação mostra o quanto os resultados dependem do áudio: reuniões, TV e ligações telefônicas se comportam de forma diferente.

Algumas APIs hospedadas fazem isso por você. O guia de speech-to-text da OpenAI documenta um modelo de diarização, o gpt-4o-transcribe-diarize, com uma resposta diarized_json cujos segmentos têm os campos speaker, start e end, e clipes de referência opcionais de 2 a 10 segundos para até quatro falantes conhecidos. A OpenAI lista esse modelo como descontinuado, com desligamento em 26 de fevereiro de 2027, e o guia (verificado em 2026-11-15) não documenta rótulos de falante em nenhum outro modelo.

Por que isso importa

  • Call centers e entrevistas. Monitoria de qualidade, compliance e resumos precisam saber quem disse o quê.
  • Trabalho de LLM depois. Um prompt de resumo com turnos “Atendente:” e “Cliente:” dá respostas melhores do que um paredão de texto.
  • Custo. A diarização é processamento extra, cobrado à parte ou incluído, dependendo do provedor. O índice de preços de APIs de speech-to-text indica quais provedores cobram a mais por ela.

Na BroadNet Inference

A documentação da BroadNet não lista diarização. O endpoint de transcrição devolve só {"text": "..."}, sem rótulos de falante nem timestamps. Um padrão prático é rodar localmente um diarizador aberto como o pyannote, cortar o áudio a cada turno com ffmpeg e enviar cada clipe para o BroadNet Transcribe Arabic ou o BroadNet Transcribe com language definido. Se os dois lados estiverem em canais estéreo separados, basta separar os canais; isso não exige modelo nenhum. Veja como transcrever gravações de call center para o fluxo completo.

Perguntas frequentes

A diarização me diz o nome de quem está falando?

Não. Ela devolve rótulos anônimos como SPEAKER_00 e SPEAKER_01. Algumas APIs, como o gpt-4o-transcribe-diarize da OpenAI (descontinuado, com desligamento em 26 de fevereiro de 2027), conseguem associar até quatro falantes a clipes curtos de referência que você fornece.

A API de transcrição da BroadNet faz diarização?

A documentação da BroadNet não lista diarização. O endpoint devolve a transcrição como {"text": ...}, então rode um modelo de diarização separado se você precisar dos turnos de fala.

Como se mede a precisão da diarização?

Com o diarization error rate (DER), que soma o tempo de falso alarme, fala perdida e confusão entre falantes e divide pelo tempo total de fala de referência. Quanto menor, melhor.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity