Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Diarização: Identificar Quem Está a Falar

Aula 7 de 16 Atualizada a 3 de novembro de 2026 Programador
Nesta página
  1. O que é a diarização
  2. Ativar a diarização
  3. Utilizar os resultados
  4. Gerar um relatório estruturado
  5. Ir até à análise completa
  6. O que a diarização não faz
  7. Nomear interlocutores com clipes de referência
  8. Pontos-chave

Curso atualizado a 3 de novembro de 2026 para o Voxtral 3, com base no guia da Mistral Migrate from Voxtral 2: os modelos Voxtral 2 (voxtral-mini-2602, voxtral-mini-transcribe-realtime-2602, voxtral-mini-tts-2603), descontinuados a 31 de outubro de 2026 e retirados a 30 de abril de 2027, são substituídos nos exemplos por voxtral-mini-transcribe-3, voxtral-mini-transcribe-realtime-3 e voxtral-mini-tts-3-0. Alterações principais: as marcas temporais são apenas por segmento (word devolve um erro 400), a diarização está disponível em tempo real, as definições da sessão em tempo real ficam bloqueadas após o primeiro fragmento de áudio e as entradas context_bias são de texto livre (frases com espaços). Fontes: Migrate from Voxtral 2 · Speech to Text. Adição com base no guia Diarize speakers: os rótulos começam em speaker_1 (não speaker_0), o campo chama-se speaker_id, os clipes de referência (speaker_references) permitem nomear interlocutores conhecidos e a diarização funciona em tempo real, ao contrário do que a versão anterior indicava. Fontes: Diarize speakers · Speakers and diarization.

O que é a diarização

A diarização (diarização de interlocutores) é a capacidade de identificar e separar diferentes interlocutores numa gravação de áudio. O modelo atribui automaticamente um identificador a cada voz distinta e segmenta a transcrição em conformidade.

O valor acrescentado é significativo. Uma reunião de cinco pessoas transcrita sem diarização produz um bloco de texto onde ninguém sabe quem assumiu qual compromisso; a mesma reunião, diarizada, torna-se um registo atribuível. É por isso que esta funcionalidade é essencial para qualquer gravação com vários interlocutores: reuniões, entrevistas, chamadas telefónicas, debates e painéis de discussão.

Ativar a diarização

Basta um único parâmetro: diarize=True.

import os
from mistralai.client import Mistral

client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

with open("reuniao_equipa.mp3", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "reuniao_equipa.mp3"},
        diarize=True,
        timestamp_granularities=["segment"]
    )

A diarização funciona em conjunto com as marcas temporais ao nível do segmento: o segmento transporta a informação. Cada segmento devolvido inclui agora um campo speaker_id que identifica o interlocutor; sem marcas temporais ao nível do segmento, o pedido falha.

Utilizar os resultados

A exibição mais simples percorre os segmentos e prefixa cada enunciado com o seu autor e a marca temporal.

for seg in response.segments:
    tempo = f"{seg.start:.1f}s"
    print(f"[{tempo}] {seg.speaker_id} : {seg.text}")

O resultado apresenta-se assim:

[0.0s] speaker_1 : Olá a todos, vamos começar a reunião semanal.
[3.2s] speaker_1 : Julien, queres começar com o ponto técnico?
[5.8s] speaker_2 : Sim, então esta semana finalizámos a migração.
[12.4s] speaker_2 : Tudo está implementado em produção desde quarta-feira.
[15.1s] speaker_3 : Ótimo, e quanto ao desempenho, houve melhoria?
[18.3s] speaker_2 : Sim, o tempo de resposta diminuiu trinta por cento.

Os interlocutores são identificados como speaker_1, speaker_2, e assim sucessivamente. Estes rótulos são válidos apenas numa única transcrição: speaker_1 num ficheiro e speaker_1 no seguinte não são necessariamente a mesma pessoa. Sem referências, o modelo não conhece os nomes — cabe-lhe a si mapear estes identificadores para pessoas reais, por exemplo, após ouvir os primeiros segundos, utilizando um dicionário simples.

# Mapear identificadores para nomes reais
nomes_interlocutores = {
    "speaker_1": "Marie (Gestora)",
    "speaker_2": "Julien (Tech Lead)",
    "speaker_3": "Sarah (Produto)",
}

for seg in response.segments:
    nome = nomes_interlocutores.get(seg.speaker_id, seg.speaker_id)
    minutos = int(seg.start // 60)
    segundos = int(seg.start % 60)
    print(f"[{minutos:02d}:{segundos:02d}] {nome}")
    print(f"  {seg.text}\n")

Uma vez estabelecido o mapeamento, as durações dos segmentos tornam-se métricas. Somar seg.end - seg.start por interlocutor fornece o tempo de fala de cada pessoa — uma medida da qual dependem facilitadores de reuniões e gestores de qualidade em call centers.

from collections import defaultdict

tempo_fala = defaultdict(float)

for seg in response.segments:
    duracao = seg.end - seg.start
    tempo_fala[seg.speaker_id] += duracao

print("=== Tempo de fala ===")
total = sum(tempo_fala.values())
for interlocutor, duracao in sorted(tempo_fala.items()):
    nome = nomes_interlocutores.get(interlocutor, interlocutor)
    percentagem = (duracao / total) * 100
    minutos = int(duracao // 60)
    segundos = int(duracao % 60)
    print(f"{nome} : {minutos}m{segundos:02d}s ({percentagem:.1f}%)")
=== Tempo de fala ===
Marie (Gestora) : 8m23s (28.4%)
Julien (Tech Lead) : 12m45s (43.2%)
Sarah (Produto) : 8m22s (28.4%)

Gerar um relatório estruturado

A diarização combinada com segmentos permite produzir um relatório diretamente legível. O truque no script seguinte reside numa linha: escreve um novo cabeçalho apenas quando o interlocutor muda, agrupando intervenções consecutivas da mesma pessoa em vez de as fragmentar.

def gerar_ata_reuniao(segmentos, nomes):
    """Gerar um relatório em Markdown a partir de segmentos diarizados."""
    linhas = ["# Ata da reunião\n"]
    interlocutor_atual = None

    for seg in segmentos:
        nome = nomes.get(seg.speaker_id, seg.speaker_id)

        if seg.speaker_id != interlocutor_atual:
            interlocutor_atual = seg.speaker_id
            minutos = int(seg.start // 60)
            segundos = int(seg.start % 60)
            linhas.append(f"\n**{nome}** ({minutos:02d}:{segundos:02d}) :")

        linhas.append(f"  {seg.text}")

    return "\n".join(linhas)

ata_reuniao = gerar_ata_reuniao(response.segments, nomes_interlocutores)

with open("ata_reuniao.md", "w", encoding="utf-8") as f:
    f.write(ata_reuniao)

print("Ata gerada")

Ir até à análise completa

Eis o script que reúne tudo: transcrição diarizada, estatísticas por interlocutor e saída JSON, pronta para alimentar um painel de controlo ou um LLM de resumo.

import os
import json
from collections import defaultdict
from mistralai.client import Mistral

def analisar_reuniao(caminho_audio: str, nomes: dict = None):
    """Transcrever e analisar uma reunião completa."""
    client = Mistral(api_key=os.environ["MISTRAL_API_KEY"])

    # Transcrever com diarização
    with open(caminho_audio, "rb") as f:
        response = client.audio.transcriptions.complete(
            model="voxtral-mini-transcribe-3",
            file={"content": f, "file_name": caminho_audio},
            diarize=True,
            timestamp_granularities=["segment"]
        )

    nomes = nomes or {}

    # Estatísticas
    stats = defaultdict(lambda: {"duracao": 0.0, "segmentos": 0, "palavras": 0})
    for seg in response.segments:
        stats[seg.speaker_id]["duracao"] += seg.end - seg.start
        stats[seg.speaker_id]["segmentos"] += 1
        stats[seg.speaker_id]["palavras"] += len(seg.text.split())

    # Resultado
    resultado = {
        "transcricao": response.text,
        "nb_interlocutores": len(stats),
        "duracao_total": max(s.end for s in response.segments),
        "estatisticas": {
            nomes.get(loc, loc): {
                "duracao_segundos": round(data["duracao"], 1),
                "nb_segmentos": data["segmentos"],
                "nb_palavras": data["palavras"]
            }
            for loc, data in stats.items()
        }
    }

    return resultado

# Utilização
resultado = analisar_reuniao("reuniao.mp3", {
    "speaker_1": "Marie",
    "speaker_2": "Julien",
    "speaker_3": "Sarah"
})

print(json.dumps(resultado["estatisticas"], indent=2, ensure_ascii=False))

O que a diarização não faz

Tenha em mente algumas limitações antes de prometer um resultado a um cliente. Sem clipes de referência, o modelo distingue vozes, não pessoas, e o mapeamento permanece da sua responsabilidade. No entanto, deteta automaticamente o número de interlocutores — não precisa de o especificar. Duas vozes semelhantes podem ser confundidas, o que justifica a revisão de passagens críticas. A fala simultânea de dois interlocutores não é suportada na versão atual, segundo a Mistral. Por fim, a diarização também está disponível em tempo real com voxtral-mini-transcribe-realtime-3 (diarize em session.update, rótulos transportados por eventos transcription.segment), mas uma única sessão não pode combinar diarização e deteção de turnos de fala.

Nomear interlocutores com clipes de referência

Quando sabe antecipadamente quem está a falar — por exemplo, o agente e o cliente numa chamada de suporte — pode enviar um curto clipe de cada voz sob um nome: os segmentos dessa voz passarão então a conter esse nome em speaker_id, e o mesmo nome referir-se-á à mesma pessoa em várias transcrições.

import base64

def em_base64(caminho):
    with open(caminho, "rb") as f:
        return base64.b64encode(f.read()).decode()

with open("chamada_suporte.wav", "rb") as f:
    response = client.audio.transcriptions.complete(
        model="voxtral-mini-transcribe-3",
        file={"content": f, "file_name": "chamada_suporte.wav"},
        diarize=True,
        timestamp_granularities=["segment"],
        speaker_references={
            "conselheiro": em_base64("ref_conselheiro.wav"),
            "cliente": em_base64("ref_cliente.wav"),
        },
    )

De acordo com a documentação da Mistral, cada clipe deve ter entre 3 a 15 segundos e conter pelo menos 85% de fala; pode fornecer até 8, e o número total de interlocutores, referenciados ou detetados, não deve exceder 10. São aceites WAV, Opus, MP3 e FLAC, sendo que os formatos sem perdas produzem os melhores resultados; quanto mais as condições de gravação do clipe se aproximarem das do áudio, melhor será a correspondência. Um interlocutor sem referência mantém um rótulo genérico. As referências exigem diarize=True, funcionam também em tempo real (speaker_references em session.update) e um modelo que não as aceite devolve um erro.

Pontos-chave

  • Ative a diarização com diarize=True — um único parâmetro
  • timestamp_granularities=["segment"] é obrigatório com a diarização
  • Cada segmento inclui um campo speaker_id (speaker_1, speaker_2, etc.)
  • Mapeie os identificadores para nomes reais ou nomeie vozes conhecidas com speaker_references
  • Aproveite as estatísticas: tempo de fala, número de intervenções, contagem de palavras
  • A diarização funciona offline e em tempo real, mas não com a deteção de turnos na mesma sessão