Glossário

O que é diarização de voz?

Diarização de voz é a tecnologia que identifica quem falou e quando, separando os diferentes participantes de um áudio. Enquanto a transcrição registra as palavras, a diarização organiza os turnos de fala. Na psicologia, pode ajudar a distinguir a fala do profissional e do paciente, sempre com revisão.

Diarização de voz é a tecnologia que identifica quem falou e em que momento dentro de um áudio com mais de uma pessoa. Ela não se preocupa com as palavras em si, mas com a separação dos turnos de fala: marca onde começa e termina a participação de cada voz. Na psicologia, pode ajudar a distinguir a fala do profissional e a do paciente em uma gravação autorizada, sempre com revisão. Não é um instrumento de diagnóstico.

No contexto do trabalho do psicólogo

Em uma sessão gravada com consentimento, o áudio mistura as vozes de quem participa. A diarização organiza esse material, indicando quais trechos pertencem a cada pessoa. Combinada com a transcrição, ajuda a produzir um texto mais legível, em que se percebe quem disse o quê.

O valor prático é de organização: um registro em que os turnos estão separados é mais fácil de revisar. Mas essa separação é um apoio de forma; a leitura clínica do que foi dito continua sendo do profissional.

Como funciona, em linhas gerais

O sistema analisa características do áudio — como o tom e o timbre de cada voz — para agrupar os trechos que parecem vir da mesma pessoa. Assim, ele consegue dizer “esta é a voz A” e “esta é a voz B”, mesmo sem saber os nomes reais. Depois, esse agrupamento pode ser combinado com a transcrição de palavras.

Por trabalhar com estimativa, a diarização pode errar quando as vozes são parecidas, quando há ruído ou quando as pessoas falam ao mesmo tempo. Por isso o resultado é um rascunho que precisa de conferência.

Exemplo fictício

Um psicólogo grava, com autorização, uma sessão de casal. A ferramenta separa três vozes: a dele e a dos dois pacientes. Ao revisar, ele nota que em um trecho de fala sobreposta o sistema atribuiu uma frase à pessoa errada. Ele corrige a marcação antes de organizar o registro. A tecnologia adiantou a separação; o ajuste final ficou com ele.

Diferença para outros conceitos

A diarização de voz responde “quem falou e quando”. Já o speech-to-text responde “quais palavras foram ditas”. As duas se complementam: uma separa as vozes, a outra transcreve o conteúdo. Quando esse material é organizado em um rascunho de registro, entra em cena o prontuário automático, que também é uma aplicação da inteligência artificial generativa.

Cuidados importantes

Na rotina clínica, três cuidados se destacam. Gravar uma sessão com mais de uma pessoa exige consentimento claro de todas as partes envolvidas. Áudios com identificação de vozes são dados sensíveis segundo a LGPD e pedem armazenamento seguro e acesso restrito. E a marcação automática de quem falou precisa de revisão profissional, porque erros de atribuição podem distorcer o registro.

Para organizar registros com apoio de tecnologia e revisão profissional, mantendo o controle do que é salvo, Criar conta grátis leva menos de um minuto. Para ver como isso funciona na prática, conheça a IA para psicólogos do PSIO.