Você abre a transcrição da reunião de ontem e a primeira linha diz: "Speaker 2: então o prazo fica pro dia 10". Só que quem falou do prazo foi a Marina, e a tal "Speaker 2" às vezes é ela, às vezes é o estagiário que sentou do lado, às vezes é você. Em algum ponto da call de seis pessoas a etiqueta embaralhou, e agora a ata diz que o estagiário assumiu uma entrega que era da diretora. Esse trabalho de carimbar cada frase com o nome de quem disse tem um nome técnico: diarização. E é a parte da transcrição que mais quebra em silêncio, você só descobre relendo.
A pergunta que traz a maioria das pessoas até aqui é simples: o que é diarização de áudio, afinal, e por que a IA erra tanto em quem falou o quê?
O que é diarização de áudio, em uma frase
A documentação da CPqD, centro de pesquisa brasileiro que desenvolve reconhecimento de fala em português, define diarização como o "conjunto de dados e algoritmos que permitem identificar e segmentar, ao longo do tempo, as diferentes vozes presentes em um áudio" (CPqD, Reconhecimento de Fala). Em bom português de reunião: é a IA descobrindo onde uma pessoa para de falar e a outra começa, e mantendo a conta de quem é quem do início ao fim.
Vale separar duas coisas que muita gente mistura. Transcrição é virar fala em texto, o "o quê". Diarização é dizer de quem é cada texto, o "quem". São tarefas diferentes, e uma boa transcrição com diarização ruim ainda te dá uma ata inútil: as palavras certas, atribuídas à pessoa errada. A diarização também não é reconhecimento de locutor (que cola o nome real "Marina" na voz). Ela só agrupa: aqui está o Falante 1, ali o Falante 2, sem saber quem são, por isso a maioria das ferramentas mostra "Speaker 1, Speaker 2" e deixa você renomear.
"O modelo de diarização é treinado a partir de grandes bases de fala com múltiplos locutores" e "aprende características acústicas que distinguem uma voz da outra", é assim que ele agrupa trechos por pessoa sem saber o nome dela (CPqD, documentação de Reconhecimento de Fala, 2026). A qualidade desse agrupamento depende de quão parecidas com o treino são as vozes que você joga nele.
Como a IA decide quem falou: as etapas por dentro
Ninguém precisa do detalhe de engenharia pra usar a ferramenta, mas ele explica por que ela erra, e onde. O pipeline de diarização moderno tem quatro passos principais, segundo o guia técnico da AssemblyAI (AssemblyAI, 17/mar/2026):
- Detecção de fala (VAD). Primeiro a IA varre o áudio e marca o que é voz e o que é silêncio, ruído de teclado, ar-condicionado ou o cachorro do colega. Só o que é fala segue adiante.
- Segmentação. O áudio com fala é fatiado em pedacinhos, normalmente de 0,5 a 10 segundos. Aqui já mora um problema: a própria AssemblyAI registra uma "queda mensurável na capacidade de atribuir corretamente um trecho a um falante quando os trechos têm menos de um segundo". Resposta curta de uma palavra é onde a etiqueta escorrega.
- Vetor de voz (embedding). Cada pedaço vira um vetor, um punhado de números que descreve o timbre, a altura, o jeito daquela voz. É a impressão digital acústica do trecho.
- Agrupamento e rótulo. A IA junta os vetores parecidos em grupos. Cada grupo "soa como a mesma pessoa" e ganha um rótulo: Falante 1, Falante 2. Depois cola esse rótulo de volta em cada frase da transcrição.
O ponto frágil é o passo 3 e 4. A IA não sabe quantas pessoas existem na sala, ela estima, agrupando vozes parecidas. Se duas pessoas têm timbre próximo (dois homens graves, duas mulheres na mesma faixa), os vetores caem perto demais e os grupos se fundem: vira um falante só. Se a mesma pessoa fala animada e depois cansada, os vetores se afastam e ela vira dois falantes. O resultado é o que você já viu: a transcrição com sete "speakers" numa reunião de quatro pessoas.
Por que a diarização erra: a conta do DER
Existe uma régua pra medir isso, e ela tem nome: DER, ou taxa de erro de diarização (diarization error rate). É a fração do tempo de áudio que foi rotulada errado, somando três tipos de erro (pyannoteAI, 27/mai/2026):
- Fala perdida: alguém falou e o sistema não detectou (acontece muito quando duas pessoas falam juntas e ele só ouve uma).
- Falso alarme: o sistema "ouviu" fala onde só havia ruído.
- Confusão de falante: detectou a fala certa, mas grudou no falante errado. A pyannoteAI chama esse de "o tipo de erro mais danoso para a experiência do usuário", e é exatamente o "Speaker 2" que era a Marina.
Quanto é bom? Sistemas de ponta ficam em 5% a 8% de DER em benchmarks controlados, e 15% a 25% em áudio real e difícil (pyannoteAI, mai/2026). Acima de 20%, a mesma fonte avisa, o sistema "fica não-confiável a ponto de a revisão manual levar quase tanto tempo quanto ouvir o áudio original", ou seja, você refaz a ata no braço, que era justamente o que queria evitar.
A confusão de falante é o tipo de erro mais danoso para a experiência do usuário: o texto está certo, mas atribuído à pessoa errada.
E o número cresce rápido com a sala cheia. A AssemblyAI cita que a taxa de erro por palavra na diarização "salta de 2,68% em cenários de dois falantes para 11,65% com três falantes" (AssemblyAI, mar/2026). Três pessoas já quadruplicam o erro. Some a isso duas coisas que toda reunião de verdade tem:
- Falas curtas. A mesma fonte aponta que um falante precisa de cerca de 30 segundos de fala pra ser identificado de forma confiável; abaixo de 15 segundos, o trecho "costuma ser fundido ao falante dominante". Quem só solta um "concordo" ou "fechado" some, a contribuição dele cola em quem fala mais.
- Gente falando por cima. Em conversa natural com sobreposição, a AssemblyAI registra que a taxa de erro "pode passar de 50%". Metade do texto sobreposto pode ir pro nome errado. E reunião brasileira, convenhamos, é feita de gente se atropelando.
O erro de diarização não é fixo, ele escala com a bagunça da reunião. De 2,68% com dois falantes para 11,65% com três; falas abaixo de 15 segundos "fundidas ao falante dominante"; e erro acima de 50% quando há sobreposição de vozes (AssemblyAI, mar/2026). Quanto mais a reunião parece uma reunião de verdade, mais a etiqueta de quem-falou escorrega.
Por que piora ainda mais quando o idioma é o português
Aqui está o fato que quase nenhum tutorial conta: a diarização não é neutra de idioma. Os vetores de voz do passo 3 saem de modelos treinados em áudio rotulado, e a esmagadora maioria desse áudio é em inglês. Quando o idioma da sua reunião não é o idioma do treino, os vetores ficam menos discriminativos, a IA tem mais dificuldade de dizer se duas vozes são a mesma pessoa ou não.
Isso não é teoria. Um estudo de benchmark de setembro de 2025 mediu o DER do mesmo modelo comercial de ponta (pyannoteAI) em vários idiomas e achou uma diferença grande: 6,6% de DER em inglês contra 14,3% em espanhol, mais que o dobro de erro, no mesmo sistema, só trocando o idioma (Benchmarking Diarization Models, arXiv, set/2025). A versão de código aberto testada no mesmo trabalho foi de 7,0% em inglês para 19,1% em espanhol. Os autores são diretos sobre a causa: "a escassez de dados anotados para certos idiomas é um fator dominante no desempenho mais baixo de diarização", e o espanhol "apresenta a condição mais desafiadora entre os idiomas avaliados".
Repare que o estudo nem testou português, mas o espanhol é o vizinho de prateleira mais próximo em volume de dados, e já dobra o erro. O português brasileiro, com menos áudio anotado disponível publicamente que o inglês, herda o mesmo problema: o motor viu menos da nossa fala, então separa pior as nossas vozes. A pesquisa de diarização para idiomas de baixo recurso confirma o mecanismo, a eficácia de aproveitar um modelo treinado em outro idioma "depende fortemente da semelhança entre as línguas de origem e destino" (Speaker Diarization for Low-Resource Languages, arXiv, abr/2025).
E tem um agravante brasileiro que o número de benchmark nem captura: sotaque. Numa reunião com gente do Sul, do Nordeste e de São Paulo na mesma call, o motor que já tropeça em português genérico tem que lidar com variação regional que ele quase não viu no treino. É a tempestade perfeita pra confusão de falante: vozes parecidas, falas curtas, sobreposição, idioma sub-representado e sotaques variados, tudo ao mesmo tempo.
Mesmo modelo de ponta, mesma metodologia, só mudando o idioma: DER de 6,6% em inglês e 14,3% em espanhol (Benchmarking Diarization Models, arXiv, set/2025). A causa apontada pelos autores é a escassez de dados anotados fora do inglês, o mesmo motivo pelo qual o português também sai prejudicado.
Por que isso decide a qualidade da sua ata
Diarização parece um detalhe de bastidor, mas ela é a fundação de tudo que vem depois da reunião. A ata separa "decisões da Marina" de "tarefas do João" lendo os rótulos de falante. O item de ação "Carlos envia a proposta até sexta" só existe porque a IA atribuiu aquela frase ao Carlos. Se a diarização errou, e acabamos de ver que ela erra mais com sala cheia, fala curta, sobreposição e em português, esse erro se propaga inteiro pra ata. Você não recebe só uma transcrição com nome trocado: recebe uma lista de tarefas atribuída às pessoas erradas, e descobre isso no dia seguinte, quando ninguém lembra direito quem se comprometeu com o quê.
É por isso que diarização nativa em português não é firula técnica, é o que separa uma ata em que você confia de uma que você precisa revisar linha a linha. Um motor que ouve o português como primeira língua agrupa as vozes brasileiras com menos confusão, e a etiqueta de quem-falou chega mais firme na ata.
No Verter, esse "quem falou o quê" não espera o fim da reunião pra aparecer. Enquanto a conversa acontece, uma janela que só você enxerga já vai mostrando as decisões, as tarefas e os pontos de atenção atribuídos, em tempo real, durante a call. Quando uma decisão sai com o responsável trocado, você percebe na hora e corrige ali, em vez de descobrir relendo a ata no dia seguinte. É o coração do produto: insight ao vivo, proativo e privado. A diarização e a transcrição feitas com o português como idioma nativo, e o pipeline de dados publicado por inteiro, são o que sustenta esse insight chegar certo.
Prazo ajustado para quinta-feira, confirmado por ambas as partes.
Orçamento foi mencionado 3 vezes. Pode ser uma objeção não dita.
Se o que te trouxe aqui foi a transcrição que sai errada, vale ver também como funciona a transcrição de reunião em tempo real em português e por que capturar o áudio do sistema mais o microfone dá à diarização um material melhor pra trabalhar do que um único canal misturado.
Um detalhe que pesa na diarização e quase ninguém liga ao tema: o bot. Quando uma ferramenta entra na call como um participante "Notetaker", ela ouve tudo por um único canal de áudio da chamada, todo mundo misturado na mesma faixa, que é o cenário mais difícil pra separar vozes. E o bot tem custo social: uma pesquisa da Calendly de 2024 apontou que 58% das pessoas se sentem desconfortáveis quando um bot entra de surpresa na reunião, e 41% mudam o comportamento sabendo que estão sendo gravadas (Calendly, via UMEVO). O Verter não entra como bot: é um app de desktop que captura o áudio do próprio computador, sem ninguém a mais na lista de participantes.