Quem falou o quê?

Ele escuta as pausas entre trechos de fala e corta o áudio em segmentos, rotulando-os como turnos alternados (Falante 1, Falante 2) com tempo de início e fim. Leia o limite com honestidade: ele segmenta turnos por silêncio, não identifica as vozes nem deduz o número real de falantes distintos.

O que esta tarefa realmente faz

Ela executa uma segmentação leve de turnos, não um reconhecimento acústico de falantes. A gravação é transcrita e, onde há uma pausa longa o bastante entre segmentos, o rótulo muda para o próximo turno, alternando entre duas marcas. Isso lhe dá uma estrutura segmentada e com tempos — um vai e volta legível em vez de um bloco indiferenciado — que é genuinamente útil como primeiro passo numa conversa de duas pessoas. O que ela não é: um modelo que escuta as características da voz e decide quem é quem; os rótulos vêm do ritmo das pausas, não de distinguir uma voz da outra.

O que a tarefa devolve

Envie um arquivo de áudio por POST para /audio/diarize e a tarefa devolve uma lista de turnos: cada turno traz um rótulo de falante (Falante 1 ou Falante 2), o texto daquele trecho e seu tempo de início e fim. Ela também informa quantos rótulos distintos usou, que nesta abordagem por pausas são no máximo dois — essa contagem é uma propriedade da segmentação, não uma medição de quantas pessoas há de fato na sala. Combinada com uma transcrição, você tem uma estrutura tipo roteiro, com tempos, fácil de percorrer.

Onde a abordagem por pausas encaixa e onde não

Ela encaixa num intercâmbio limpo de duas pessoas — uma entrevista, uma ligação um a um — onde os falantes quase sempre se revezam e as pausas coincidem com a troca de voz. Não encaixa num painel com vários participantes, com muita sobreposição de vozes, nem num caso em que você precise acompanhar cada pessoa real de forma consistente na gravação inteira: alternar dois rótulos por silêncio vai rotular errado nesses casos. Se o seu fluxo precisa que o número real de falantes seja determinado ou que as vozes sejam ligadas a identidades, essa é uma tarefa diferente e mais pesada do que a que este endpoint faz, e esta página não vai fingir o contrário.

Para que uma segmentação de turnos ainda serve

Mesmo sem reconhecimento real de falantes, dividir uma gravação de duas pessoas em turnos com tempos poupa trabalho de verdade: transforma um muro de transcrição num intercâmbio legível que você pode percorrer, citar pelo tempo ou passar a um passo de anotações. Uma equipe de suporte revisando uma única ligação de agente e cliente, um jornalista limpando uma entrevista um a um e um produtor picando um segmento de dois apresentadores em turnos legíveis — todos tiram valor de uma estrutura de primeiro passo que dá para corrigir a mão onde importa, em vez de partir de um bloco indiferenciado.

Preço e como é cobrado

O custo é uma pequena taxa base por solicitação mais uma tarifa por minuto atrelada à duração da gravação, publicada nesta página: US$ 0,002 por chamada mais US$ 0,0055 por minuto. A tarefa processa de forma assíncrona — envie o áudio, receba um task_id na hora e recolha o resultado segmentado por turnos via webhook assinado ou por um link assinado válido por 24 horas; uma tarefa que falha é repetida automaticamente até três vezes e nunca é cobrada se ainda assim não conseguir concluir.