Resumo
Uma transcrição pode acertar cada palavra e ainda atribuí-la à pessoa errada, porque reconhecer a fala e identificar quem fala são operações separadas. A identificação de locutor funciona a partir de características da voz, então ela funciona melhor com poucas vozes claramente diferentes captadas em volume parecido por um único microfone. Ela tem dificuldade quando as pessoas falam ao mesmo tempo, quando alguém fala baixo ou entra na conversa depois, e nunca vai te dar nomes reais por conta própria — essa parte você adiciona depois.
Se você já abriu a transcrição de uma conversa em grupo e viu metade das falas atribuídas à pessoa errada, provavelmente as palavras em si estavam certas. O problema está uma etapa acima, na parte do processo que decide quem estava falando, não o que foi dito. Essa etapa usa informações diferentes e falha de formas diferentes, e quase tudo o que determina se ela vai funcionar é decidido no momento da gravação, antes de qualquer programa tocar no arquivo.
Vale entender essa parte se você está prestes a gravar uma entrevista, um painel ou uma conversa de família e realmente precisa saber quem disse o quê — não só o que foi dito. Parte disso tem a ver com onde você coloca o microfone. Outra parte é aceitar que certas situações nunca vão ficar bem identificadas, independentemente da ferramenta usada.
Duas tarefas separadas, uma transcrição só
Reconhecer as palavras e decidir quem as disse não é a mesma tarefa, mesmo que as duas acabem no mesmo documento. A primeira tarefa escuta o som e entende a linguagem — ela praticamente não se importa com de quem é a voz. A segunda tarefa escuta o mesmo som e faz uma pergunta diferente: essa voz é igual à de duas frases atrás, ou é um novo falante? Essa segunda pergunta é respondida a partir de características da voz — tom, timbre, ritmo de fala, a impressão digital acústica da pessoa — não a partir das palavras em si.
É por isso que uma transcrição pode estar perfeita palavra por palavra e ainda atribuir as falas à pessoa errada. A transcrição funcionou. A separação de locutores, não. As duas coisas podem falhar de forma independente, e quando alguém diz que uma transcrição está “errada”, vale checar qual das duas tarefas realmente falhou, porque a solução muda dependendo da resposta.
O que faz a separação de locutores funcionar
A separação de locutores funciona melhor com um número pequeno de vozes claramente diferentes entre si, todas captadas por um único microfone posicionado de forma a ouvir todo mundo em volume parecido. Esse é o cenário ideal: duas ou três pessoas, vozes distintas, um único gravador posicionado onde consiga ouvir a sala inteira de forma equilibrada.
Cada desvio desse ideal tem um custo. Mais falantes significa mais chances de duas vozes ficarem parecidas o suficiente para se confundirem. Vozes parecidas — duas pessoas de idade e sotaque semelhantes, por exemplo — são mais difíceis de diferenciar do que uma voz grave e uma voz aguda. E se uma pessoa é captada muito mais alto que outra, o sistema começa a tratar diferenças de volume como se fossem diferenças de locutor, o que não é o caso.
Nada disso é algo fora do comum. É bem parecido com o que uma pessoa notaria também, se fechasse os olhos e só escutasse. A vantagem do software é a paciência e a consistência ao longo de uma hora de áudio, não algum sentido extra que um ouvinte não tenha.
Onde tudo desanda: pessoas falando ao mesmo tempo
Existe uma situação que sempre quebra a identificação de locutores, e nenhuma preparação boa resolve isso: sobreposição real de fala, quando duas pessoas falam no mesmo instante. Durante essa sobreposição não existe um sinal limpo pertencente a uma única voz — o áudio é uma mistura das duas, e não há como atribuir isso com precisão. O que geralmente acontece é que as palavras de um falante são incorporadas à fala do outro, então a transcrição mostra uma única fala contínua que na verdade eram duas pessoas falando ao mesmo tempo.
Isso não é um defeito a ser corrigido depois. É um limite embutido na natureza do problema — não é possível separar de forma confiável duas vozes misturadas depois que isso já aconteceu. O esperado, de forma realista, é que qualquer trecho de uma gravação com sobreposição real vai precisar de uma revisão humana para organizar quem disse o quê, ou vai simplesmente ficar atribuído a quem o sistema chutou. Se a sua conversa tem muita gente falando ao mesmo tempo — um painel acalorado, um jantar de família em discussão — já espere que esse trecho da transcrição vai precisar de correção manual, e não julgue a ferramenta inteira por causa dessa parte.
Onde você coloca o microfone importa mais do que qual microfone é
A distância até o microfone afeta a identificação de locutores mais do que a qualidade do próprio microfone. Um celular no meio da mesa costuma dar uma separação de locutores melhor do que um microfone mais caro que por acaso está posicionado perto de uma única pessoa, porque os participantes mais quietos e mais distantes são exatamente os primeiros que o sistema perde. Se alguém fala consistentemente mais baixo que os outros por estar mais longe do microfone, essa diferença de volume pode pesar mais na identificação de locutores do que qualquer diferença de equipamento.
Para uma conversa em grupo, isso aponta para uma regra simples: coloque o gravador em um lugar central, não em um lugar conveniente. No meio da mesa, não na ponta mais próxima de quem está organizando a conversa. Se as pessoas estiverem espalhadas por um ambiente em vez de sentadas próximas umas das outras, esse é um caso mais difícil independentemente do equipamento, e vale saber disso antes de gravar, não descobrir depois.
Como conseguir nomes reais em vez de Locutor 1, Locutor 2
Nada no áudio em si diz a um sistema de transcrição o nome de ninguém — ele consegue perceber que existem duas vozes diferentes, mas não tem como saber que uma se chama Priscila e a outra se chama Thiago. Por isso o resultado sai com identificadores anônimos: Locutor 1, Locutor 2, e assim por diante. Transformar isso em nomes reais é uma etapa manual, e só precisa ser feita uma vez, no início da transcrição, associando cada identificador a um nome.
A única coisa que torna essa etapa rápida em vez de trabalhosa é pedir que todo mundo diga o próprio nome em voz alta no começo da gravação. Isso custa uns dez segundos e dá uma referência clara — você sabe que a voz dizendo “aqui é o Thiago” no início é a que deve ser rotulada como Thiago pelo resto do documento. Se isso não é feito, resta associar vozes a nomes de memória ou pelo contexto, o que funciona, mas demora mais e fica mais sujeito a erro quanto mais pessoas participam.
Se você grava entrevistas especificamente, vale incorporar esse hábito no início de toda sessão — veja mais sobre como começar bem desde o primeiro minuto em transcrição de entrevistas. Para transformar uma gravação já pronta em texto identificado por locutor, converter áudio em texto cobre a etapa da conversão propriamente dita, e um aplicativo como o de transcrição da SozAI consegue gerar identificação de locutores, resumos e tradução em uma ampla variedade de idiomas depois que você já tem a gravação — nomear os falantes depois ainda é tarefa sua, mas é a parte rápida.
O que esperar de forma realista
Mesmo com uma boa preparação, algumas situações produzem resultados previsivelmente imperfeitos, e vale conhecê-las de antemão em vez de tratá-las como falhas da ferramenta.
- Um falante que entra na gravação já no meio, depois que o sistema já definiu seus perfis de voz, costuma ser misturado a um locutor já existente em vez de receber um rótulo novo.
- Alguém que diz só algumas palavras durante toda a gravação — uma concordância rápida, uma pergunta de uma linha — frequentemente é incorporado à fala de quem estava por perto, porque não há voz suficiente dessa pessoa para o sistema montar um perfil separado.
- Sobreposição real de fala, como visto acima, tende a ser absorvida pela fala de um único locutor.
- Um grupo grande com muitas vozes parecidas vai gerar mais atribuições erradas do que um grupo pequeno com vozes distintas, simplesmente porque há mais chances de confusão.
Nada disso é motivo para desistir de transcrever uma gravação complicada — são motivos para prever uma revisão manual rápida nos trechos em que isso ocorre, em vez de assumir que o documento inteiro precisa ser refeito. Se você vai gravar algo que sabe que vai ter esse tipo de complexidade, também vale decidir com antecedência se você precisa de cada palavra transcrita ou só dos trechos identificados mais importantes; transcrever tudo nem sempre é a escolha mais útil, principalmente em gravações longas em que o que importa é saber quem se comprometeu com o quê — o tipo de uso coberto em transformar gravações em atas de reunião. E se você quiser testar como uma determinada gravação fica identificada antes de se comprometer com um arquivo mais longo, baixar o aplicativo na página de download e rodar uma amostra curta primeiro vai te dizer mais do que qualquer conselho genérico.
O que realmente faz diferença
Se você levar uma coisa desse texto, é que a gravação importa mais do que o software. Um microfone central, poucas vozes claramente diferentes, todo mundo dizendo o próprio nome no início, e aceitar que fala sobreposta vai precisar de revisão manual — essa combinação leva você mais longe do que qualquer configuração ou recurso ajustado depois. A etapa de identificação faz um trabalho real, mas ela trabalha com o que a gravação oferece, e uma gravação feita pensando na separação de locutores sempre vai ter uma identificação melhor do que uma gravação feita sem esse cuidado, independentemente do que for usado para transcrever depois.
