Diarização de falantes (speaker diarization)
A diarização de falantes ( speaker diarization ) é o processo automático que analisa uma gravação de áudio com múltiplas pessoas e responde a uma única pergunta: "quem falou e quando?". Em vez de apenas transcrever as palavras (como faz o Reconhecimento Automático de Fala ou ASR), ela divide o áudio em blocos temporais e agrupa as vozes semelhantes, rotulando-as de forma distinta (por exemplo: Locutor 1 , Locutor 2 ou SPEAKER_00 , SPEAKER_01 ), sem a necessidade de conhecer a identidade de cada pessoa de antemão. Como funciona o processo O pipeline de diarização geralmente segue estas etapas principais: Detecção de Atividade de Voz (VAD): O sistema filtra o áudio para separar a fala humana de ruídos de fundo, músicas ou momentos de silêncio. Segmentação: O discurso contínuo é fatiado em pequenos blocos (turnos de fala), identificando onde um locutor termina e outro começa, além de lidar com interrupções e sobreposições de vozes. Extração de características ( Embed...