Início → Blog → Quem disse o quê: separando locutores em uma transcrição

Quem disse o quê: separando locutores em uma transcrição

Esta é a pergunta mais comum sobre transcrição e a que tem a resposta menos satisfatória: uma gravação única e misturada volta como um fluxo de texto, sem etiquetas. A boa notícia é que na maioria das situações reais dá para obter a separação de qualquer forma — normalmente mudando como você grava, não como transcreve.

O que a API faz e o que não faz

Resposta direta, para que nada seja construído sobre uma suposição errada: o endpoint de transcrição devolve texto e segmentos com tempos. Ele não devolve etiquetas de locutor, e nenhum parâmetro liga isso.

Diarização — decidir quantas pessoas falam e qual delas disse cada frase — é uma tarefa separada do reconhecimento. É genuinamente difícil com falas sobrepostas, vozes parecidas e salas ruidosas, e quem faz isso são modelos diferentes.

Então a pergunta prática não é «como habilito isso», e sim «como organizo as coisas para não precisar disso».

Opção 1: grave cada pessoa separadamente

De longe a melhor opção, e a mais barata — custa apenas uma decisão tomada antes de gravar.

• Videochamadas. O Zoom consegue gravar cada participante em um arquivo de áudio próprio. Teams e Meet não, mas os dispositivos dos participantes conseguem.
• Entrevistas presenciais. Dois celulares, um perto de cada pessoa, iniciados ao mesmo tempo.
• Telefonia. A maioria das plataformas grava as duas pernas da chamada em separado — isso é uma configuração, não uma limitação.

Transcreva cada arquivo por si e você tem uma separação perfeita. Intercale por tempo para reconstruir a conversa:

linhas = []
for nome, path in [("Entrevistador", "a.mp3"), ("Convidado", "b.mp3")]:
    with open(path, "rb") as f:
        r = client.audio.transcriptions.create(
            model="whisper-1", file=f, response_format="verbose_json")
    linhas += [(s.start, nome, s.text.strip()) for s in r.segments]

for inicio, nome, texto in sorted(linhas):
    print(f"[{int(inicio)//60:02d}:{int(inicio)%60:02d}] {nome}: {texto}")

Opção 2: separe os canais do estéreo

Se a gravação é estéreo com uma pessoa por canal — comum em telefonia e em alguns gravadores — a separação já existe dentro do arquivo:

ffmpeg -i chamada.wav -map_channel 0.0.0 esquerdo.wav -map_channel 0.0.1 direito.wav

Depois transcreva os dois arquivos e intercale como acima. Antes, confirme que os canais estão mesmo separados — abra o arquivo em um player e ouça cada lado. Um estéreo com as duas vozes nos dois canais não ganha nada com isso.

Opção 3: marque depois

Numa conversa de duas pessoas os turnos se alternam de forma previsível e os papéis costumam ser óbvios pelo conteúdo — um pergunta, o outro responde. Ler uma hora de transcrição e acrescentar nomes leva poucos minutos.

Um modelo de linguagem consegue rascunhar essa marcação a partir do texto, mas trate o resultado como rascunho: ele infere pelo modo de falar, então vai etiquetar errado, com toda a confiança, um trecho em que as duas pessoas concordam entre si. Confira por amostragem contra os tempos antes de publicar qualquer coisa.

Opção 4: um modelo dedicado de diarização

Se você realmente precisa de etiquetagem automática em áudio misturado — um corpus de pesquisa, um acervo de conformidade, reuniões que você não controla — o caminho é um modelo dedicado de diarização, que produz turnos de fala com tempos, depois alinhados aos segmentos da transcrição.

O que isso custa, realisticamente: mais um modelo para rodar e manter, tempo de GPU além da transcrição, e uma precisão que se degrada exatamente onde você mais precisa — em falas sobrepostas e intervenções curtas. É um projeto, não um parâmetro.

Antes de começá-lo, verifique se as opções 1 a 3 cobrem o seu caso. Na prática elas cobrem a maioria.

Qual opção serve a cada situação

Mais uma coisa que vale checar antes de investir: com que frequência alguém realmente usa as etiquetas de locutor. Para atas de reunião e controle de qualidade de chamadas, as decisões importam muito mais que quem as pronunciou, e boa parte do trabalho de diarização acaba sendo construída para um requisito que ninguém tinha.

Perguntas frequentes

Leitura relacionada

• Como transcrever uma entrevista sem digitá-la à mão — Transformando entrevistas gravadas em texto utilizável: como gravar, o que fazer com duas vozes, marcações de tempo para citações e como conferir antes de publicar.
• Como transcrever gravações de reuniões e ter atas utilizáveis — Transforme gravações do Zoom, Teams e Meet em texto pesquisável e atas estruturadas: onde está o arquivo, como transcrevê-lo e como extrair decisões e tarefas.
• Como transcrever a gravação de uma chamada — Guia passo a passo para transformar a gravação de uma ligação em texto pela API em poucos minutos. Com exemplos em Python e C# e a lista de erros mais comuns.