Identificação de locutores: como a transcrição sabe quem está falando

O que a identificação de locutores faz na prática?

Enquanto o reconhecimento de fala transforma som em palavras, a identificação de locutores (também chamada de diarização) resolve outro problema: saber quem falou em cada momento. O sistema corta a gravação em trechos de fala, analisa o timbre e as características de cada voz e junta os pedaços que parecem ser da mesma pessoa. No fim, ele entrega grupos ainda sem nome, marcados como Locutor 1, Locutor 2 e assim por diante.

Esses grupos vêm sem nome de propósito. O programa percebe que dois trechos têm a mesma voz, mas não tem como adivinhar que aquela é a Noa, do financeiro. Você só precisa dar nome a cada pessoa uma vez. Depois disso, todas as falas daquela voz passam a mostrar o nome certo.

Como reconhecer as palavras e separar as vozes são etapas independentes, uma pode funcionar e a outra falhar. A transcrição pode acertar todas as palavras e, mesmo assim, colocar a frase na boca da pessoa errada. Na hora de revisar, confira o texto e os nomes separadamente.

Por que o sistema às vezes erra quem está falando?

O motivo mais comum é gente falando ao mesmo tempo. Quando duas pessoas falam juntas, o mesmo trecho de áudio fica com duas vozes, e um sistema feito para atribuir cada momento a um único locutor precisa escolher um deles. Outro problema são interjeições curtas, como "sim", "certo" ou "ok". Meio segundo de áudio traz muito pouca informação vocal, então esses trechos muitas vezes acabam juntados à fala de quem veio logo antes.

Vozes parecidas também atrapalham. Dois colegas da mesma idade e com o mesmo sotaque falando no mesmo microfone de notebook confundem até quem está ouvindo com atenção. Ligações gravadas em mono trazem uma dificuldade a mais: as duas vozes chegam juntas num canal só e ainda passam pela compressão da linha telefônica.

A acústica da sala também pesa. O eco embola a voz, e alguém que se afasta do microfone pode parecer outra pessoa para o sistema. Em gravações longas, a própria voz muda por cansaço, empolgação ou depois de limpar a garganta. Quando isso acontece, o programa pode dividir a mesma pessoa em dois grupos ou juntar duas pessoas num grupo só.

Como gravar para separar bem as vozes?

Deixe cada pessoa perto de um microfone. Colocar um único aparelho no meio da mesa é cômodo, mas é o pior cenário para separar quem fala. O programa distingue os grupos com muito mais facilidade quando há um microfone ou celular perto de cada pessoa, ou quando quem participa à distância usa fone com microfone. Se for uma entrevista com duas pessoas, deixe o gravador entre as duas, um pouco mais perto de quem fala mais baixo.

Combine para falarem um de cada vez. Pedir no começo da reunião que cada um espere o outro terminar a frase antes de falar é o jeito mais simples de evitar erros. Em conversas animadas é normal que as falas se atropelem, e você não vai eliminar isso por completo, mas qualquer cuidado já poupa tempo na revisão.

Comece com as apresentações. Peça para cada pessoa dizer o próprio nome e uma frase inteira. Assim fica registrada uma amostra limpa de cada voz e uma referência confiável para dar nome aos grupos depois, já que basta ouvir o primeiro minuto para saber quem é quem.

Como dar nome aos locutores e salvar essa informação?

Abra a transcrição, toque a primeira fala de cada grupo e digite o nome real de quem está falando. No KolWrite, você pode trocar o nome do locutor enquanto lê, e a atualização vai para todas as exportações. Assim, o documento do Word e o arquivo de legenda saem iguais ao que aparece na tela. A separação dos locutores acontece na nuvem, mas um banco de vozes local pode guardar o nome de cada pessoa e reconhecer a voz dela direto no seu dispositivo. Com isso, você não precisa reenviar o áudio para identificar uma voz que já nomeou antes.

Escolha o formato que faça sentido para quem vai ler: nome e sobrenome com o cargo em documentos formais, ou só o primeiro nome em anotações internas. Use sempre o mesmo padrão em reuniões seguidas, porque assim fica fácil achar todas as falas de uma pessoa na busca.

Se houver alguém na gravação que você não sabe quem é, use um rótulo com o que você sabe, como Convidado ou Chamador, e pare por aí. É melhor deixar um nome genérico do que atribuir a fala à pessoa errada.

Como revisar os nomes sem perder tempo?

Não é preciso ler a transcrição inteira para conferir a identificação de quem fala. Nos trechos mais importantes, vá direto aos pontos em que muda o locutor e ouça o primeiro segundo depois de cada troca. Os erros costumam se concentrar onde há falas sobrepostas, respostas curtas e logo depois de uma pausa.

Confira todas as citações diretas e tarefas combinadas. Se o resumo diz que o Omar ficou de mandar um arquivo, dê o play nessa frase. Errar o nome em um comentário solto não faz diferença, mas atribuir uma promessa, um número ou uma reclamação à pessoa errada muda o registro do que aconteceu.

Se apenas uma frase saiu com o nome errado, corrija só aquela linha; se a mesma pessoa apareceu dividida em dois locutores, corrija no grupo. Basta dar o mesmo nome para os dois grupos que o sistema junta as falas. Toda transcrição automática tem falhas e precisa de revisão, e isso vale também para os nomes de quem fala.

Quando a identificação de quem fala faz mais diferença?

Saber quem disse cada frase é indispensável quando você precisa ligar as palavras a uma pessoa: atas de reunião, entrevistas, chamadas de suporte, audiências e sessões de pesquisa. Já em gravações de uma pessoa só, como aulas, palestras ou notas de voz, isso faz pouca diferença e um texto corrido resolve.

A identificação também é muito útil se você for traduzir o material ou gerar legendas. Quando a legenda traz o nome de quem fala, quem está assistindo sabe de quem é a voz mesmo se a pessoa estiver fora de quadro. Acerte todos os nomes primeiro e só depois exporte o arquivo.