"Diarização" é o termo técnico para algo que o seu cérebro faz sem pensar: distinguir as vozes em uma conversa. Para uma máquina, é um dos problemas mais difíceis do áudio.
Por que é difícil
- Vozes parecidas (irmãos, mesmo gênero, mesmo sotaque).
- Sobreposições: as pessoas falam umas por cima das outras.
- Mudanças de canal: alguém sai do computador e volta.
- Ruído: ar-condicionado, outro idioma ao fundo.
A transcrição pode chegar a 99% de precisão e, mesmo assim, se os falantes forem atribuídos errado, a nota é inútil.
Como abordamos o problema
Embedding por segmento. Dividimos o áudio em trechos de 1 a 3 segundos e passamos cada trecho por um modelo de embeddings de falante (treinado em espanhol + inglês + português). Cada trecho gera um vetor de cerca de 512 dimensões.
Agrupamento progressivo. Agrupamos os vetores em clusters. O número de clusters não é fixo: é inferido pela densidade. Assim, uma reunião de 2 pessoas não produz 5 falantes falsos, e uma de 8 pessoas de fato os identifica.
Refinamento pela prosódia. Usamos ritmo, pausas e entonação como sinais secundários para afinar a fronteira entre falantes quando os embeddings hesitam.
Reidentificação opcional. Se o usuário rotula um falante ("este é o Juan"), o embedding é guardado criptografado na conta dele. Nas reuniões futuras, o Juan é reconhecido automaticamente.
O que NÃO fazemos
Não enviamos a sua voz a um repositório público. Os embeddings são só seus e são excluídos a pedido. A identificação entre contas não existe.
Resultados
Em benchmarks internos com áudio típico de Zoom:
- Taxa de erro de falante: 4,7% em espanhol, 5,1% em inglês.
- Com mais de 5 falantes, sobe para cerca de 9%.
- Sobreposições detectadas com 87% de precisão.
Em comparação com serviços genéricos (que ficam em 12 a 18% de erro em espanhol), a diferença é notável. O motivo é simples: otimizamos para o caso real (reuniões de equipe e entrevistas), não para podcasts profissionais.
Pronto para experimentar?
Grave sua próxima reunião e receba um resumo acionável em segundos.
Comece grátisContinue lendo
Ver todos →Privacidade em gravações: como o AudioMap protege as suas reuniões
Enviar um áudio a um serviço exige confiança. Aqui contamos exatamente o que fazemos e o que não fazemos com o seu material.
5 minWhisper, Gemini e os LLMs: a tecnologia por trás das suas notas
Um olhar honesto para a pilha de IA que transforma um MP3 em uma nota acionável.
6 minIA em reuniões: mito ou realidade em 2026
O que a IA pode e o que não pode fazer hoje com as suas reuniões, e por que a maioria das promessas do mercado é fumaça.
5 minA aula que você gravou e nunca voltou a ouvir: como resumir uma aula gravada
Gravar a aula custa um botão. Ouvi-la de novo custa os noventa minutos que você não tem. Assim uma gravação de uma hora e meia vira apontamentos com conceitos, exemplos, bibliografia e um mapa mental, sem ouvi-la outra vez.
8 minComo conservar uma entrevista familiar: a vida da sua avó não cabe em um áudio de WhatsApp
Você gravou a sua avó contando a infância dela e o arquivo vive em um chat que algum dia será apagado. Assim essa gravação vira algo que se pode ler, buscar por nome, assistir com legendas e compartilhar com a família sem perder o controle.
8 minO consultor que parou de repetir a mesma revisão quinze vezes: modelo de revisão fiscal com IA
Quinze revisões trimestrais em três semanas, todas parecidas e nenhuma igual. O problema não é lembrar o que foi dito: é lembrar a quem. Assim cada sessão fica documentada, com seu aviso legal e seus dados na Europa.
8 min