O que é diarização de áudio: definição, como funciona e exemplo

O que é diarização de áudio?

É a etapa que responde “quem falou quando” numa gravação com várias vozes. A palavra vem de diário: o áudio é dividido em trechos e cada trecho recebe o rótulo de uma pessoa. O resultado é uma transcrição organizada por falante, e não um bloco único de texto.

Como funciona a diarização?

O sistema acha onde há voz, mede as características de cada trecho e agrupa os trechos parecidos. Cada grupo vira um falante, rotulado “Falante A”, “Falante B” e assim por diante. Trocar o rótulo pelo nome é uma etapa a mais, a identificação, que usa a conta de cada pessoa na chamada ou a lista de participantes.

1. 1

   Detectar a voz

   Separa o que é fala do que é silêncio, música e ruído.

2. 2

   Medir cada trecho

   Cria uma espécie de assinatura da voz, como timbre e ritmo.

3. 3

   Agrupar

   Junta os trechos com a mesma assinatura em um mesmo falante.

4. 4

   Rotular

   Marca cada trecho com o falante e junta com a transcrição do texto.

Qual a diferença entre transcrição, diarização e identificação de falante?

A transcrição transforma voz em texto, a diarização separa as pessoas e a identificação de falante descobre quem é cada uma. As três costumam vir juntas numa reunião gravada, mas são etapas diferentes.

Para que serve a diarização numa empresa de serviço?

Serve para tudo o que depende de saber quem disse o quê: medir o tempo de fala, ligar cada tarefa ao responsável e achar a frase exata do cliente. Sem ela, a ata perde o dono de cada decisão.

• Tempo de fala: quanto a equipe falou e quanto ouviu o cliente. Veja tempo de fala em call de vendas.
• Tarefas com dono: “eu mando o orçamento até sexta” vira tarefa de quem disse.
• Citação do cliente: achar o pedido ou a objeção na voz de quem a fez.
• Treino: rever o trecho em que a equipe respondeu, e não o resto.

O que atrapalha a diarização?

O que mais atrapalha é áudio ruim: duas pessoas falando ao mesmo tempo, ruído, eco e vozes parecidas no mesmo microfone. Quanto mais limpa a captação, mais certo o rótulo. Algumas situações pedem cuidado antes da reunião:

• Alto-falante aberto: o microfone capta a voz do cliente e ela entra como se fosse sua. Use fone de ouvido.
• Muita gente numa sala só: vozes parecidas no mesmo microfone se confundem.
• Interrupções: falas sobrepostas geram trechos misturados.
• Conexão instável: cortes no áudio quebram o trecho no meio.

Como é um exemplo de diarização numa reunião?

Na Consultoria Lume (fictícia), uma reunião de 40 minutos tinha três vozes. A transcrição sem diarização trazia um texto único. Com ela, o Falante A, o gestor, falou 22 minutos, mais da metade, e as duas tarefas combinadas na conversa ficaram com o responsável certo.

Antes da reunião
[ ] Cada pessoa no próprio microfone ou conta (evite uma sala com um só microfone)
[ ] Fone de ouvido, sem alto-falante
[ ] Nome de cada participante igual ao da conta

Durante
[ ] Uma pessoa fala por vez
[ ] Quem entra no meio da reunião diz o nome

Depois
[ ] Conferir se os rótulos “Falante A/B” batem com as pessoas
[ ] Ajustar os nomes antes de tirar as tarefas

Para o texto sair bem desde a captação, veja o guia de transcrição de reunião.

Como o Mentrun usa o que a transcrição diz sobre quem falou?

No Mentrun, sistema de gestão com IA para empresas de serviço, a análise da reunião parte da transcrição, e as métricas de conversa dependem de ela dizer quem falou. Quando a transcrição traz só “Falante A” e “Falante B” e não dá para separar o time do cliente, o cartão de métricas não aparece, para não mostrar número errado.

No Copilot, a extensão que acompanha a call no navegador, o microfone é você e o som da aba é o cliente, o que já separa as duas pontas. Conheça o Copilot de vendas e a transcrição de reunião com IA.