Speaker diarization: o que é e como as ferramentas se comparam
Quem falou e quando, e até onde confiar nas promessas.
Speaker diarization divide uma gravação por quem falou e quando, e rotula cada parte como Pessoa 1, Pessoa 2 e assim por diante. Nenhum teste independente classifica as ferramentas de hoje, e os fornecedores citam resultados de testes próprios. O jeito justo de escolher é passar a mesma gravação sua por cada ferramenta.
Verificado em novembro de 2026 no site de cada ferramenta.
Como cada ferramenta identifica quem fala
| Ferramenta | Como funciona | Vale saber |
|---|---|---|
| AssemblyAI | Uma opção da API identifica quem fala em um arquivo | A documentação recomenda pelo menos 30 segundos de fala por pessoa |
| Deepgram | Uma opção da API que também escolhe a versão do modelo | O modelo v2 funciona com arquivos, não com transmissões ao vivo |
| pyannoteAI | Uma API paga, mais a biblioteca gratuita e aberta pyannote.audio | Promete até 52% menos erros, e a API começa em 19 € por mês |
| Otter | Os nomes ao vivo vêm da plataforma de reunião, e vozes marcadas são reconhecidas depois | Uma voz nova fica como Speaker # até você marcá-la |
| Fireflies | O bot identifica quem fala e obtém os nomes em reuniões on-line | Gravar sem o bot mostra só Speaker 1 e Speaker 2 |
Qual ferramenta de speaker diarization é a mais precisa?
Sem testar, ninguém pode dizer para o seu áudio. A pyannoteAI chama sua diarization de a mais precisa, mas outros fornecedores prometem algo parecido com testes próprios. Os resultados mudam com o número de pessoas, as vozes sobrepostas e os microfones.
Como a precisão é medida?
A medida comum é a diarization error rate, ou DER. É a parte do tempo da gravação atribuída à pessoa errada, perdida ou marcada como fala quando ninguém falou. Quanto menor, melhor.
Qual é a diferença entre diarization e identificação de quem fala?
A diarization só separa as vozes. A identificação dá um nome a cada uma, usando uma voz conhecida ou os nomes da plataforma de reunião.
Como consigo identificar melhor quem fala?
Dê um microfone a cada pessoa e evitem falar ao mesmo tempo. Se a API permitir, informe o número de pessoas, mas só quando souber, pois a AssemblyAI avisa que um número errado pode prejudicar a precisão.