Transcrever reunião com várias pessoas: como a IA separa quem falou o quê

Resposta rápida

Sim, existe IA que transcreve reunião com várias pessoas identificando quem falou cada trecho, uma tecnologia chamada diarização de locutor (speaker diarization). Ela separa o áudio por voz antes de transcrever, então cada fala já sai etiquetada. O jeito mais confiável de conseguir isso é gravar a reunião numa plataforma de vídeo que já tenha essa IA integrada (Zoom, Google Meet, ou uma ferramenta de anotação tipo Otter, Fathom ou Fireflies conectada a ela): nesses casos, a IA lê os nomes que aparecem na tela da chamada e já entrega a transcrição com o nome certo, não um genérico “Speaker 1”. Quando o áudio é solto, gravado num celular sem essa integração, a IA ainda separa as vozes, mas só consegue usar o nome de verdade se alguém disser o próprio nome durante a gravação ou se você corrigir manualmente da primeira vez.

Como a IA sabe que é uma pessoa diferente falando?

A técnica se chama diarização de locutor, e ela não lê o conteúdo da fala pra decidir quem é quem: ela analisa as características físicas da voz, como timbre, tom e padrão de fala, e transforma cada trecho de áudio numa espécie de impressão digital vocal. Depois, agrupa os trechos com impressão digital parecida como sendo da mesma pessoa. É por isso que o processo funciona mesmo em outro idioma ou com uma fala sem sentido: a IA está comparando voz com voz, não entendendo o significado.

O resultado desse processo é dividido em dois passos que normalmente andam juntos, mas são tecnicamente diferentes: primeiro a diarização decide “aqui fala a pessoa A, aqui fala a pessoa B”; depois, o reconhecimento de fala (a transcrição em si) escreve o que cada uma delas disse. Quando você vê um texto de reunião com nome antes de cada parágrafo, são essas duas camadas trabalhando juntas.

A IA erra? Qual a taxa de acerto nisso?

Erra, e vale saber o tamanho do erro antes de confiar cegamente na transcrição pra decisão importante. A métrica usada pelos pesquisadores da área é a taxa de erro de diarização (DER, na sigla em inglês), que soma três tipos de erro: fala que a IA não percebeu que existia, silêncio que ela confundiu com fala, e fala que ela atribuiu à pessoa errada. Um modelo de ponta chamado EEND-TA, descrito num artigo publicado em setembro de 2025, chegou a 14,49% de erro no principal benchmark acadêmico da área (o DIHARD III), que reúne gravações difíceis de propósito (várias pessoas, ruído de fundo, sobreposição de fala).

Na prática, isso quer dizer que mesmo a tecnologia mais avançada testada em condição difícil ainda erra cerca de 1 em cada 7 trechos de fala, entre atribuir à pessoa errada, perder um trecho ou confundir silêncio com fala. Em reuniões mais simples (poucas pessoas, sem gente falando ao mesmo tempo, áudio limpo), o erro tende a ser bem menor do que isso, mas o número mostra por que vale sempre reler o trecho antes de citar “fulano disse X” numa decisão que importa.

Por que às vezes aparece “Speaker 1” em vez do nome de verdade?

Porque a IA sabe separar as vozes, mas não tem como adivinhar o nome de ninguém sozinha. Ela só chega ao nome certo por um destes três caminhos:

1. A plataforma de vídeo entrega o nome pronto. Quando a gravação acontece dentro do Zoom, do Google Meet ou de uma chamada parecida, a ferramenta de transcrição já enxerga o nome de cada participante mostrado na tela da chamada, e usa isso pra etiquetar a fala. É o caminho mais confiável e o que menos dá trabalho.
2. Alguém diz o próprio nome durante a gravação. Em áudio solto, sem integração com plataforma nenhuma (uma reunião presencial gravada no celular, por exemplo), algumas ferramentas conseguem captar o nome se a pessoa se apresentar em voz alta no início (“aqui é o Carlos, vamos começar”). Sem isso, a IA só tem a voz, então etiqueta genericamente.
3. Você corrige manualmente uma vez, e a IA aprende. Ferramentas como o Otter guardam um “perfil de voz” depois que você marca quem é “Speaker 1” pela primeira vez. Da próxima vez que aquela pessoa falar, mesmo numa reunião diferente, a IA já reconhece a voz e etiqueta com o nome certo sozinha, sem precisar corrigir de novo.

Isso funciona em reunião gravada só em áudio, sem vídeo?

Funciona, mas com uma diferença importante de expectativa. A diarização (separar quem é quem) funciona igual, seja áudio puro ou vídeo, porque ela trabalha em cima da voz, não da imagem. O que muda é só a parte do nome: sem a tela da chamada mostrando quem é cada participante, a IA fica limitada aos dois outros caminhos (alguém se apresentar em voz alta, ou correção manual). Então pra reunião presencial gravada no celular, o hábito mais simples de adotar é pedir pra cada pessoa dizer o nome antes de começar a falar, principalmente na primeira vez que ela aparece na gravação.

Quais ferramentas fazem esse tipo de transcrição?

As mais usadas para reunião com várias pessoas são ferramentas que entram na própria chamada de vídeo (Zoom, Google Meet, Microsoft Teams) e já saem com a ata separada por pessoa, geralmente com resumo e lista de tarefas junto. A diferença entre elas costuma estar em detalhes: quão bem cada uma lida com sotaque, quantas pessoas ela consegue separar direito numa reunião grande, e se ela integra com o calendário pra já saber quem foi convidado antes mesmo da reunião começar.

Perguntas frequentes

Preciso pagar por uma ferramenta separada só pra isso? Depende de onde a reunião acontece. Se já é numa plataforma como Zoom ou Google Meet, muitas vezes o próprio recurso de transcrição com identificação de quem fala já vem incluído ou como complemento pago dentro da própria plataforma, sem precisar de uma ferramenta terceira.

A IA consegue separar duas pessoas com voz parecida? Consegue na maioria dos casos, porque a diarização usa dezenas de características da voz, não só o tom grave ou agudo. Mas é justamente o cenário onde o erro sobe: vozes muito parecidas (às vezes entre parentes, por exemplo) são um dos casos que mais confundem o modelo.

E se duas pessoas falarem ao mesmo tempo? Esse é o principal ponto fraco da tecnologia hoje. Fala sobreposta é a maior fonte de erro em qualquer benchmark de diarização, porque a IA precisa decidir onde termina uma voz e começa a outra dentro do mesmo trecho de áudio. Reunião com o hábito de “um de cada vez” sai com transcrição bem mais limpa.

Isso substitui alguém anotando a ata manualmente? Reduz bastante o trabalho, mas não elimina a revisão. Com erro de cerca de 1 em 7 trechos até em benchmark controlado, vale passar o olho na transcrição antes de tratar ela como registro oficial de quem disse o quê.

Leia também

Se você ainda não usa IA pra transcrever suas reuniões e áudios de WhatsApp, o ponto de partida é IA para transcrever áudio de WhatsApp e reunião: a ata que ninguém escreve. Pra entender o fluxo completo de transcrever E resumir automaticamente com pontos de ação, veja IA para reuniões: como transcrever e resumir reuniões automaticamente. E se o problema for um áudio muito longo que trava no aplicativo, o guia certo é transcrever áudio longo com IA.

Dentro da CPDF (Comunidade Profissionais do Futuro - por Danilo Gato), esse tipo de automação de reunião é um dos usos mais práticos que a gente ensina no dia a dia de quem trabalha em equipe: menos tempo escrevendo ata, mais tempo decidindo o que fazer com o que foi decidido.