# Identificar falantes em áudio e saber quem disse cada trecho

> Para identificar falantes em áudio ou vídeo, use diarize=true. Speaker 1 e Speaker 2 em JSON, texto, SRT e VTT, de arquivos ou links, sem custo extra.

Canonical: https://transcript1.com/pt/features/identificar-falantes-em-audio
Language: pt-BR
Last updated: 2026-10-19

Para identificar falantes em áudio, ative diarize: true ao criar a transcrição. Cada trecho recebe um rótulo como Speaker 1 ou Speaker 2. Você consegue acompanhar as falas de uma entrevista, um painel ou uma reunião gravada sem escrever um nome em cada linha.

- Rótulos Speaker 1, Speaker 2 e assim por diante em cada trecho
- Identificação de falantes em JSON, texto, SRT e VTT
- Para links de vídeo compatíveis e arquivos enviados por upload

## Acompanhe a conversa sem confundir as vozes

### Ative ao criar a transcrição

O padrão de diarize é false. Envie true no POST /v1/transcriptions ou passe diarize à ferramenta transcribe do MCP.

### A identificação usa o áudio

Com source=auto e diarize: true, ignoramos as legendas da plataforma e transcrevemos o áudio com IA. As legendas não informam quem está falando.

### Use os rótulos no formato que precisar

O JSON traz transcript.speakers e o campo speaker de cada segmento. Texto e SRT usam o prefixo Speaker 1:. O VTT usa uma tag de voz.

### Veja o falante de cada palavra

Ao consultar o JSON com include=words, você recebe as marcações de tempo e o falante de cada palavra.

### Combinações incompatíveis geram um erro

source: captions com diarize: true retorna 422 invalid_request. A API não ignora a opção de identificação para entregar só as legendas.

## Peça uma transcrição com identificação de falantes

Inclua diarize: true no corpo do request. Para um arquivo, envie a opção como campo do formulário. A [documentação de diarize](https://transcript1.com/pt/docs/sources-and-options#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.

### Upload com identificação de falantes

```
curl -X POST "https://api.transcript1.com/v1/transcriptions?wait=60" \
  -H "Authorization: Bearer $TRANSCRIPT1_API_KEY" \
  -F file=@panel.m4a \
  -F diarize=true
```

## Relacione cada segmento ao seu falante

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](https://transcript1.com/pt/docs/api-reference#the-transcription-object).

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.

### Exemplo resumido de resposta JSON

```
{
  "status": "completed",
  "transcript_source": "speech_to_text",
  "transcript": {
    "speakers": ["Speaker 1", "Speaker 2"],
    "segments": [
      { "start": 0, "end": 3.4, "speaker": "Speaker 1", "language": "en", "text": "Good morning." },
      { "start": 3.4, "end": 7.9, "speaker": "Speaker 2", "language": "en", "text": "Thanks for having me." }
    ]
  }
}
```

## Como os falantes aparecem nas legendas

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](https://transcript1.com/pt/features/criar-arquivo-srt) 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.

### format=vtt

```
WEBVTT

00:00:00.000 --> 00:00:03.400
<v Speaker 1>Good morning.

00:00:03.400 --> 00:00:07.900
<v Speaker 2>Thanks for having me.
```

## Confira a voz antes de atribuir uma citação

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](https://transcript1.com/pt/use-cases/transcrever-entrevista), 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.

| O que você encontrou | Como revisar |
| --- | --- |
| O rótulo muda durante a fala de uma pessoa | Ouça antes e depois da mudança. Corrija sua cópia de trabalho se precisar. |
| Duas pessoas falam ao mesmo tempo | Confira as palavras e quem falou. Mantenha a dúvida onde o áudio não for claro. |
| O mesmo rótulo aparece em outra gravação | Associe os rótulos aos participantes de novo para essa gravação. |

## Dúvidas frequentes

### A transcrição mostra o nome de cada pessoa?

Não. Ela usa Speaker 1, Speaker 2 e assim por diante. Depois de ouvir a gravação, você pode associar os rótulos aos nomes no seu código ou documento.

### As legendas do YouTube identificam os falantes?

Não. Com source=auto e diarize: true, usamos a transcrição com IA no lugar das legendas. Se você combinar source=captions com diarize: true, o request será recusado.

### Tem custo extra para separar as falas?

Não. A transcrição custa 1 crédito por minuto de mídia, arredondado para cima, com ou sem diarize.

## Veja também

- [Entrevistas e pesquisa](https://transcript1.com/pt/use-cases/transcrever-entrevista)
- [Tempos e legendas](https://transcript1.com/pt/features/criar-arquivo-srt)
- [Links aceitos e opções (docs)](https://transcript1.com/pt/docs/sources-and-options)