Identificar falantes em áudio e saber quem disse cada trecho

Inclua diarize: true no corpo do request. Para um arquivo, envie a opção como campo do formulário. A documentação de diarize explica as combinações permitidas com source.

Ative a opção quando precisar distinguir as falas, como em uma entrevista ou conversa entre apresentador e convidado. Para um lembrete de voz com uma pessoa só, texto e marcações de tempo costumam bastar. A diarização separa as falas da gravação; ela não descobre nomes nem autentica pessoas pela voz.

Escolha diarize ao criar a transcrição, pois a opção muda o processamento. Você não consegue ativá-la só trocando o formato de download depois. Com source=auto, usamos o áudio em vez das legendas. Arquivos enviados por upload já usam IA, sem depender de legendas de uma plataforma.

transcript.speakers lista os rótulos e cada segmento informa seu speaker. A fonte aparece como transcript_source: speech_to_text. Confira os campos no objeto de transcrição.

Ouça a gravação antes de associar Speaker 1 e Speaker 2 aos participantes. Guarde essa relação na sua aplicação ou no documento revisado. Os rótulos valem apenas para aquela transcrição: Speaker 1 em outra entrevista pode ser outra pessoa.

Use speaker para montar a conversa na interface e include=words se precisar de tempos mais detalhados. Mantenha os segundos de início e fim para que a pessoa que revisa possa voltar ao áudio. O JSON abaixo é ilustrativo; não representa necessariamente as falas do arquivo usado no exemplo de upload.

Com format=srt, o texto recebe um prefixo como Speaker 1:. Com format=vtt, usamos uma tag de voz. Já format=text traz uma linha identificada por segmento. Compare os formatos de legenda antes de escolher o do seu player.

Teste como o player mostra as tags de voz e como o editor trata os prefixos. Um rótulo útil numa entrevista para pesquisa pode atrapalhar a leitura se aparecer em toda legenda. Ajuste a apresentação no arquivo ou no aplicativo, mantendo a relação revisada entre rótulos e participantes.

Falas simultâneas, música por cima da conversa e microfones distantes podem dificultar tanto o texto quanto a identificação de falantes. Se um rótulo mudar no meio de uma fala, ouça esse trecho. Na próxima gravação, prefira microfones separados e evite que os participantes falem ao mesmo tempo.

Comece por uma troca de falas clara no início da gravação. Anote quem corresponde a cada rótulo e confira outros trechos mais adiante. Se o áudio não permitir saber quem falou, mantenha essa dúvida no documento em vez de escolher um nome pelo contexto.

Em entrevistas de pesquisa, use o mesmo critério de revisão entre sessões e mantenha as anotações separadas das falas originais. Antes de publicar uma citação de um painel, confirme o nome pela gravação e pelo contexto que você tem.

A diarização de áudio não é identificação biométrica. Não a use para autenticar uma ligação nem concluir que duas gravações têm a mesma pessoa. Trocar de microfone pode mudar o som de uma voz, e falas sobrepostas nem sempre permitem separar cada participante com clareza.