O que é diarização de falantes e como funciona?

Ouça qualquer gravação de duas pessoas a conversar e o seu cérebro faz, sem esforço, uma coisa notável: sabe a cada momento quem está a falar. As máquinas não têm essa capacidade de origem. A diarização de falantes é a tecnologia que a dá a um sistema de transcrição — responder à pergunta «quem falou e quando?» — e é o que separa uma transcrição utilizável de um bloco de texto ilegível.

Se alguma vez usou uma ferramenta de transcrição e ficou admirado por ela distinguir o «Orador 1» do «Orador 2» ao longo de uma hora de conversa, já viu a diarização em ação. Este artigo explica o que é, como funciona, porque é mais difícil do que parece e como obter a identificação de oradores mais limpa possível nas suas gravações.

O que é a diarização de falantes

A diarização de falantes é o processo de dividir uma gravação de áudio em segmentos e atribuir cada um a um orador — Orador 1, Orador 2 e assim por diante. Não sabe necessariamente os nomes (isso é outro passo), mas distingue as vozes com fiabilidade e acompanha cada uma ao longo de toda a gravação.

Vale a pena separar duas ideias que muitas vezes se confundem:

• A transcrição (conversão de voz em texto) responde a «o que foi dito?» — transforma o áudio em palavras.

• A diarização responde a «quem o disse?» — atribui essas palavras a oradores distintos.

Para que uma transcrição com vários oradores faça sentido, precisa das duas. A transcrição sozinha dá-lhe as palavras; a diarização dá-lhes estrutura. Juntas, produzem uma transcrição que se lê como um guião, com cada intervenção atribuída a quem a fez.

Diarização, identificação de oradores e reconhecimento de voz

Estes termos usam-se como se fossem sinónimos, mas não são, e perceber a diferença desfaz muitas confusões:

• A diarização distingue vozes sem saber a quem pertencem. Decide que há, por exemplo, três oradores diferentes e separa as respetivas intervenções — mas chama-lhes apenas Orador 1, 2 e 3.

• A identificação de oradores associa uma voz a uma identidade conhecida. Com um conjunto de impressões vocais registadas, consegue dizer «esta é a Maria» — mas tem de saber de antemão como soa a voz da Maria.

• O reconhecimento de voz (ou verificação de orador) confirma se uma voz pertence a uma pessoa concreta, como acontece numa verificação de segurança por voz.

Na transcrição, a diarização é quem faz o trabalho pesado. A identificação é uma camada opcional por cima: algumas ferramentas conseguem deduzir um nome pelo contexto, mas, na prática, primeiro faz-se a diarização e depois o próprio utilizador substitui os rótulos genéricos pelos nomes reais.

Porque importa mais do que parece

A diarização é daquelas funcionalidades em que não repara quando funciona e que não suporta quando falta. Veja a diferença. Sem ela, a transcrição de uma entrevista é um único bloco indiferenciado — não se distingue a pergunta da resposta, e encontrar a citação de uma pessoa obriga a voltar a ouvir o áudio que queria evitar.

Com ela, a mesma transcrição lê-se como um guião: cada intervenção atribuída, cada orador fácil de seguir. É essa estrutura que torna as transcrições realmente úteis em:

• Entrevistas e podcasts, onde saber quem disse o quê é precisamente o que interessa.

• Reuniões, onde cada tarefa tem de ficar associada à pessoa responsável.

• Investigação qualitativa, onde a análise depende de atribuir cada afirmação ao participante certo.

• Registos jurídicos e clínicos, onde atribuir uma afirmação à pessoa errada não é um pormenor estético, mas um erro de fundo.

Como funciona a diarização de falantes

Não precisa da matemática para a usar, mas ter uma ideia do processo ajuda a perceber porque às vezes falha. Por dentro, a diarização passa por várias etapas:

1. Deteção de atividade vocal. Primeiro, o sistema encontra os trechos onde há fala, filtrando silêncios, música e ruído de fundo, para analisar apenas as vozes.

2. Segmentação. O áudio é cortado em pequenos fragmentos, e o sistema procura os momentos em que o orador muda — a passagem de uma voz para outra.

3. Representação vetorial. Cada fragmento é convertido numa «impressão vocal» numérica — uma representação compacta das características acústicas de uma voz: tom, timbre, cadência.

4. Agrupamento. O sistema junta essas impressões vocais. Os fragmentos que soam à mesma pessoa ficam no mesmo grupo, e cada grupo passa a ser um orador. É nesta etapa que se decide quantos oradores há.

5. Rotulagem. Por fim, cada segmento recebe uma etiqueta de orador, e as linhas da transcrição são atribuídas em conformidade.

Os nomes vêm depois. Algumas ferramentas conseguem deduzi-los pelo contexto — se alguém diz «obrigado, Maria» —, mas normalmente basta mudar «Orador 1» para o nome real uma vez e a alteração aplica-se a toda a transcrição.

Quantos oradores consegue distinguir?

A diarização atual lida sem dificuldade com os casos mais comuns: entrevistas a dois, painéis de três pessoas e pequenas reuniões. A precisão é maior com poucas vozes bem distintas. À medida que o número de oradores cresce — uma mesa-redonda animada, uma reunião grande com interrupções constantes —, a tarefa complica-se, porque há mais impressões vocais para manter separadas e mais hipóteses de duas vozes parecidas serem fundidas numa só.

Se souber quantas pessoas participam numa gravação, algumas ferramentas permitem indicar esse número, o que elimina as suposições na etapa de agrupamento e melhora os resultados. Na dúvida, um áudio mais limpo e intervenções bem separadas contam mais do que o número de oradores em si.

O que torna a diarização difícil

Perceber onde costuma falhar mostra-lhe como obter melhores resultados. A diarização tem mais dificuldades com:

• Vozes sobrepostas. Quando duas pessoas falam ao mesmo tempo, o áudio contém literalmente duas vozes no mesmo instante, e o agrupamento tem de as desembaraçar.

• Vozes parecidas. Dois oradores com tom e sotaque semelhantes — irmãos, por exemplo, ou dois homens da mesma idade — são mais difíceis de separar do que um par contrastante.

• Áudio fraco. Ruído de fundo, eco e um único microfone partilhado numa sala esbatem as impressões vocais de que o sistema depende.

• Interjeições curtas. Um «hum-hum» ou um «pois» rápido é difícil de atribuir com segurança, porque há muito pouco áudio para identificar.

• Número de oradores desconhecido. Se o sistema não sabe quantas pessoas estão na sala, tem de adivinhar — e pode juntar dois oradores discretos num só ou dividir uma pessoa em duas.

Como obter uma identificação de oradores precisa

A maior parte do que pode fazer está do seu lado do microfone:

• Grave cada orador numa faixa separada sempre que puder. É a maior melhoria possível — o sistema não precisa de separar vozes que nunca foram misturadas.

• Use bons microfones e evite falas sobrepostas. Peça às pessoas que não falem umas por cima das outras; ajuda tanto a transcrição como a conversa.

• Reduza o ruído de fundo antes de carregar o ficheiro. Áudio mais limpo, separação mais limpa.

• Peça aos convidados remotos que usem auscultadores. Só isto elimina o eco e a fuga de som que baralham as impressões vocais.

• Corrija os rótulos uma vez, logo no início. Corrija e dê nome aos oradores no começo da edição, e o resto da transcrição herda a correção.

Perguntas frequentes

Qual é a diferença entre diarização e transcrição?

A transcrição converte a fala em texto — responde ao que foi dito. A diarização separa e identifica os oradores — responde a quem o disse. Uma transcrição com vários oradores precisa das duas: a transcrição para as palavras, a diarização para a estrutura que atribui cada linha a uma pessoa.

1. A IA consegue identificar os oradores pelo nome automaticamente?

A diarização identifica os oradores de forma genérica (Orador 1, Orador 2), e não pelo nome. Algumas ferramentas conseguem deduzir um nome quando é dito com clareza na conversa, mas o método fiável é dar nome a cada orador uma vez depois da transcrição, e o rótulo é atualizado em toda a transcrição.

2. Qual é a precisão da diarização de falantes?

Em áudio limpo, com poucas vozes distintas e intervenções bem separadas, é muito fiável. A precisão desce quando há muita sobreposição de vozes, quando as vozes são parecidas, quando a gravação tem ruído ou quando muitas pessoas falam ao mesmo tempo. Melhores condições de gravação fazem muito mais pelos resultados do que qualquer definição isolada.

3. A diarização funciona em chamadas telefónicas e reuniões?

Sim, e são casos de uso comuns. Os resultados são melhores quando cada participante tem um sinal de áudio limpo; um único microfone a captar uma sala inteira, ou várias pessoas no mesmo telefone em alta-voz, é mais difícil de separar. Canais de áudio separados para cada participante, quando existem, dão os rótulos mais limpos.

4. Preciso de equipamento especial para separar bem os oradores?

Não é preciso material especializado, mas alguns cuidados básicos ajudam muito. Um microfone decente por orador, uma sala silenciosa e auscultadores para os participantes remotos melhoram muito a separação. O objetivo é simplesmente dar a cada voz um sinal limpo e distinto — quanto mais claro for o áudio, com mais segurança o sistema distingue as vozes. Equipamento caro conta muito menos do que evitar eco, ruído de fundo e pessoas a falar umas por cima das outras.

A diarização num fluxo de transcrição moderno

Na prática, não deveria ter de pensar em nada disto. Uma boa ferramenta de transcrição faz a diarização automaticamente assim que carrega áudio com vários oradores, identifica-os e permite dar-lhes nome com um clique. É assim que a BlaBlaScribe funciona: carregue uma entrevista, um painel ou uma reunião e recebe em minutos uma transcrição com identificação de oradores, em mais de 120 idiomas, pronta a editar, traduzir ou transformar em conteúdos.

A tecnologia é realmente impressionante — mas o objetivo é que deixe de dar por ela. Recebe simplesmente uma transcrição que se lê tal como a conversa aconteceu. Pode experimentar gratuitamente com o seu próprio áudio com vários oradores e ver como as vozes ficam bem separadas.