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:
- Encontrar a fala. A detecção de atividade de voz marca onde alguém está falando.
- Gerar embeddings de janelas curtas. Um modelo de speaker embedding transforma cada trecho em um vetor que captura a voz.
- 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.