---
title: "O que é diarização de locutores? Quem falou e quando"
description: "A diarização de locutores divide uma gravação por falante, para a transcrição mostrar quem falou e quando. Como funciona, como é medida e como adicioná-la."
url: https://broadrouter.com/pt/glossary/diarization/
lang: pt-BR
updated: 2026-11-16
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/diarization/) (atualizado em 2026-11-16).

# Diarização de locutores (speaker diarization)

Atualizado em 2026-11-16

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](https://broadrouter.com/pt/glossary/vad/) 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:

```text
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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/pt/glossary/timestamps-asr/). 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](https://broadrouter.com/pt/models/cohere-transcribe-arabic/) ou o [BroadNet Transcribe](https://broadrouter.com/pt/models/cohere-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](https://broadrouter.com/pt/blog/transcribe-call-center-recordings/) 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.

## Veja também

-   [Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/) (termo)
-   [Voice activity detection (VAD)](https://broadrouter.com/pt/glossary/vad/) (termo)
-   [Timestamps (speech-to-text)](https://broadrouter.com/pt/glossary/timestamps-asr/) (termo)
-   [Word error rate (WER)](https://broadrouter.com/pt/glossary/word-error-rate/) (termo)
-   [Taxa de amostragem (sample rate)](https://broadrouter.com/pt/glossary/sample-rate/) (termo)
-   [API de transcrição de áudio em árabe, passo a passo](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/) (guia)
-   [Como transcrever gravações de call center: pipeline pronto para árabe](https://broadrouter.com/pt/blog/transcribe-call-center-recordings/) (artigo)
-   [API de fala para texto em árabe: como escolher em 2026](https://broadrouter.com/pt/blog/arabic-speech-to-text-api-buyers-guide/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-diarization&utm_content=page-cta) ·

**Fontes**

-   [pyannote, model card do speaker-diarization-3.1 no Hugging Face](https://huggingface.co/pyannote/speaker-diarization-3.1)
-   [Referência do pyannote.metrics, diarization error rate](https://pyannote.github.io/pyannote-metrics/reference.html)
-   [OpenAI, guia de speech-to-text (diarized\_json e falantes conhecidos; verificado em 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [OpenAI, descontinuações, modelos de speech-to-text (verificado em 2026-11-15)](https://developers.openai.com/api/docs/deprecations)
-   [Referência da API da BroadNet Inference, transcrição (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-diarization&utm_content=sources)
