Glossário
Um embedding de falante é um vetor de comprimento fixo (tipicamente 192 ou 256 dimensões) que representa numericamente as características vocais de um falante — tom, formantes, ressonância da cavidade vocal, estilo de fala. O mesmo falante produz embeddings semelhantes em diferentes gravações; falantes diferentes produzem embeddings diferentes. Os embeddings de falante são o motor por trás diarização de falantes e verificação de falante.
Como os embeddings são calculados
Uma rede neural treinada com milhares de horas de dados de falantes rotulados (VoxCeleb, etc.) aprende a produzir um vetor para cada segmento de áudio de entrada de tal forma que os vetores do mesmo falante se agrupem juntos e os vetores de falantes diferentes estejam distantes. Arquiteturas comuns: x-vectors (baseado em TDNN), ECAPA-TDNN (estado da arte atual), Embeddings de falante WavLM (baseado em transformador). Dimensões de saída: 192 (ECAPA) ou 256 (x-vector).
Caso de uso 1: diarização
Pegue uma gravação de múltiplos falantes, segmente-a via VAD, calcule um embedding de falante por segmento, depois agrupe os embeddings (k-means ou agglomerativo). Cada agrupamento = um falante. Rotule-os como Falante 1, Falante 2, etc. O usuário renomeia-os posteriormente. Isso é exatamente o que é executado quando você clica em "Speaker ID" em um transcript da Transcript.you.
Caso de uso 2: verificação de falante
"É a voz da Sarah?" Calcule o embedding de referência da Sarah a partir de uma gravação conhecida. Calcule o embedding da nova gravação. Calcule a similaridade do cosseno. Acima do limiar → mesmo falante. É assim que funcionam a biometria por voz (login por voz bancária, personalização do "Hey Siri" da Siri). Atualmente não fazemos verificação — a diarização é suficiente para clareza da transcrição.
Na prática
Solte uma gravação do Zoom de 4 pessoas no Transcript.you e clique em Speaker ID. Fazemos segmentação por VAD, calculamos um embedding ECAPA para cada enunciado (~1 segundo cada), depois agrupamos os embeddings em 4 grupos. Cada enunciado recebe um rótulo Speaker N. Use buscar e substituir para renomear para pessoas reais. Tempo total de processamento: ~10 segundos para uma chamada de 1 hora.
Termos relacionados
Leitura adicional
Experimente transcrição com múltiplos falantes
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que Embedding do falante significa na transcrição?
Um vetor de tamanho fixo que captura as características de voz de um falante. Usado em diarização para agrupar segmentos por identidade do falante sem conhecer os nomes com antecedência.
Por que Embedding do falante importa ao escolher um fluxo de trabalho de transcrição?
Embedding do falante afeta como você entende a qualidade da transcrição, o tempo, a compatibilidade ou a tecnologia por trás dos resultados de conversão de fala em texto.
Onde posso aplicar Embedding do falante no Transcript.you?
Use o fluxo de trabalho relacionado em /interview-transcription quando você quer ver como esse conceito de glossário se conecta a uma tarefa real de transcrição.
Navegue pelo glossário de transcrição ou leia o guia completo sobre transcrição por IA.