Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Diarização de locutores

A diarização de locutores (speaker diarization) é a tarefa de dividir uma gravação de áudio por locutor, rotulando cada trecho de fala com quem o disse. Ela responde à pergunta "quem falou quando".

Também chamado: diarisation, diarization, speaker labelling, who spoke when

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

A transcrição simples de uma reunião é um muro de palavras. A diarização adiciona rótulos como Locutor 1 e Locutor 2 a cada segmento, para que você possa acompanhar a conversa, atribuir citações e resumir os pontos de cada pessoa. É um recurso padrão em notas de reunião, análises de call center, transcrição de entrevistas e ferramentas de podcast.

Como funciona

Um pipeline típico primeiro encontra onde há fala, depois a corta em segmentos curtos, transforma cada segmento em um speaker embedding (uma impressão vocal compacta) e agrupa os embeddings para que segmentos com vozes parecidas compartilhem um rótulo. Sistemas neurais mais novos fazem mais disso em um único modelo, inclusive fala sobreposta. Kits abertos como o pyannote, com modelos como o pyannote community-1, são muito usados; alguns modelos de transcrição já produzem rótulos de locutor diretamente.

Como difere do speech-to-text

O speech-to-text produz as palavras. A diarização produz os turnos de fala, sem saber o que foi dito. Os produtos juntam os dois alinhando os timestamps. A diarização também não identifica pessoas pelo nome: ela agrupa vozes. Associar uma voz a uma pessoa conhecida é identificação de locutor, uma tarefa separada com suas próprias regras de privacidade.

Limites

Os erros aumentam com falas cruzadas, interjeições curtas, vozes parecidas, microfones ruins e um número desconhecido de locutores. Muitas ferramentas permitem informar a quantidade esperada de locutores, o que ajuda.

Termos relacionados

Speech-to-text
Speech-to-text (fala para texto), também chamado de reconhecimento automático de fala (ASR), é um software que converte áudio falado em texto escrito. Ele está por trás de transcrições, legendas, comandos de voz e da parte que escuta nos voice agents.
Voice agent
Um voice agent (agente de voz) é um agente de IA que mantém uma conversa falada em tempo real, ouvindo uma pessoa, decidindo o que dizer ou fazer e respondendo com uma voz sintética, muitas vezes por uma linha telefônica ou em um app.
Embedding
Um embedding (representação vetorial) é uma lista de números (um vetor) que representa um trecho de texto, uma imagem ou outros dados, produzida de forma que itens com significado parecido acabem com vetores próximos entre si.
Text-to-speech
Text-to-speech (TTS, texto para fala) é um software que transforma texto escrito em áudio falado. O TTS moderno usa redes neurais que preveem o som da fala a partir do texto e depois o renderizam como forma de onda.

Fontes