Início › Identificar quem falou

Guia

Transcrição que identifica quem falou

Uma transcrição em bloco único é quase inútil quando havia cinco pessoas na sala. A separação automática de falantes divide o texto por voz — quem disse o quê, e em que minuto — e faz isso no seu próprio Mac.

O que a separação de vozes faz na prática

Depois de transcrever, o app compara as características acústicas de cada trecho e agrupa os que vieram da mesma pessoa. O resultado deixa de ser um parágrafo de mil palavras e passa a ser um diálogo:

• Falante 1 — 00:03:12 — "A gente fechou o escopo na semana passada?"
• Falante 2 — 00:03:19 — "Fechou, mas o prazo mudou por causa do fornecedor."

Você renomeia "Falante 1" para o nome real uma vez e a transcrição inteira é atualizada. É a diferença entre um arquivo que dá para ler e um arquivo que você vai reouvir inteiro para achar um trecho.

O termo técnico para isso é diarização — aparece na literatura em inglês como speaker diarization. Fora de um artigo acadêmico, quase ninguém usa a palavra: as pessoas procuram "identificar quem falou" ou "separar as vozes". Usamos as duas daqui em diante, sem cerimônia.

As mesmas vozes entre gravações diferentes

Separar as vozes dentro de um arquivo é o básico. O que economiza tempo de verdade é o passo seguinte: guardar uma impressão de voz de cada pessoa que você já nomeou e reconhecê-la nas gravações seguintes.

Na prática, se você entrevista a mesma fonte quatro vezes, ou grava a reunião semanal do mesmo time, a partir da segunda gravação os nomes já aparecem preenchidos. Quem faz pesquisa qualitativa com dez participantes ao longo de um mês sente essa diferença mais do que qualquer outro recurso.

E como tudo aqui, essas impressões de voz ficam só no seu Mac. Elas não sobem para um servidor, não formam um banco de vozes compartilhado e podem ser apagadas por você. Vale dizer o óbvio: uma impressão de voz é um dado sensível, e é por isso que a arquitetura local importa mais nesta função do que em qualquer outra.

Onde isso realmente resolve

• Entrevista jornalística. Repórter e fonte separados, com marca de tempo — você cita com precisão e volta ao áudio no ponto exato.
• Pesquisa qualitativa e UX. Moderador e participante separados: o que interessa para a análise é a fala do participante, e ela sai limpa.
• Reunião com cinco pessoas. A ata deixa de ser um exercício de memória. Você escreve o resumo a partir do que cada um efetivamente disse.
• Reuniões de acompanhamento com cliente. Serve para tomar nota do que foi conversado. Não substitui avaliação profissional nem se propõe a isso. Em contexto de saúde, o consentimento do paciente e o sigilo profissional continuam sendo responsabilidade de quem atende, com as regras do conselho da categoria.
• Aulas e mesas-redondas. Professor e alunos separados, o que torna a busca no texto possível.

Como a separação é feita, em uma passada

Sem jargão: o áudio é primeiro cortado nos pontos em que alguém está falando, descartando o silêncio. Cada trecho de fala vira um vetor numérico que resume o timbre daquela voz — não as palavras, só as características acústicas. Esses vetores são então agrupados: os que estão próximos entre si vêm, muito provavelmente, da mesma pessoa. Cada grupo recebe um rótulo, e o rótulo é colado no texto correspondente.

Duas consequências práticas saem daí. A primeira é que o número de pessoas é uma estimativa, e é por isso que informar quantos participantes havia melhora tanto o resultado. A segunda é que o vetor de uma voz pode ser guardado e comparado depois — é exatamente o mecanismo que faz o app reconhecer a mesma pessoa em outra gravação.

O que atrapalha a separação

Ser honesto aqui poupa frustração. A separação de vozes é estatística, não mágica, e há situações previsíveis em que ela erra:

Quando você já sabe quantas pessoas havia na sala, informar esse número melhora bastante o agrupamento — é o ajuste com maior retorno.

Por que fazer isso localmente muda alguma coisa

As gravações que mais precisam de separação de falantes são justamente as que menos deveriam circular: entrevistas com fonte, sessões de pesquisa com participantes identificáveis, reuniões internas com números. Num serviço em nuvem, esse material precisa ser enviado e passa a existir numa conta de terceiro.

Aqui o áudio, a transcrição e as impressões de voz ficam no seu computador, e a transcrição funciona com a internet desligada. Descrevemos a arquitetura, e só isso: se você precisa avaliar tratamento de dados pessoais na sua organização — LGPD, política interna, contrato com o cliente —, leve essa arquitetura ao jurídico ou ao DPO e deixe a conclusão com eles.

Antes de gravar outras pessoas

No Brasil, a lei trata de forma diferente a gravação feita por um dos participantes e a captação feita por quem está de fora da conversa — mas isto é informação geral, não orientação jurídica. De toda forma, avise os participantes no início: é boa prática, muitas empresas exigem em política interna, e os termos do Meet, do Teams e do Zoom frequentemente pedem o aviso. Em pesquisa acadêmica, o consentimento formal do participante segue valendo do jeito de sempre. E não fazemos promessa nenhuma sobre o uso da transcrição em processos ou disputas — isso é conversa para o seu jurídico.

Como fazer no Mac

O Lesskeys grava e transcreve chamadas, entrevistas e arquivos com separação automática de falantes, tudo no dispositivo, em 99 idiomas com detecção automática. Requisitos: macOS 13 ou mais recente e Apple Silicon (M1 ou mais recente), obrigatório. Preço: grátis para baixar, com o Pro liberado por uma compra única de US$ 49,99 dentro do app, sem assinatura. O download gratuito inclui uma cota inicial: 5 minutos de ditado por dia e 10 transcrições no total — 5 de áudio e 5 de vídeo. Gravar nunca é limitado, e retranscrever não consome cota. O Pro remove os limites.

Perguntas frequentes

Veja também