Como transcrever gravações do Zoom, Meet ou Teams identificando quem falou

Transcreva a gravação separando os participantes

Faça o upload do arquivo via POST /upload (até 100 MiB; para gravações mais longas, extraia o áudio com o ffmpeg) ou informe qualquer URL pública para iniciar o trabalho. O parâmetro num_speakers é opcional: preencha quando você souber quantas pessoas falaram.

curl https://app.kolwrite.com/transcribe \
  -H "x-api-key: $KOLWRITE_API_KEY" -H "Content-Type: application/json" \
  -d '{"audio_url": "https://example.com/weekly-sync.mp4", "model": "oracle", "language": "auto",
       "include_diarization": true, "num_speakers": 4, "output_format": "json"}'

Acompanhe o status em GET /transcribe/{jobId} ou configure webhook_url para ser avisado no seu servidor assim que uma reunião longa terminar de processar.

Cada trecho devolve o participante, os tempos e as palavras:

{
  "jobId": "34c63d45-4cb5-473b-bc60-25c175e69c57",
  "status": "COMPLETED",
  "result": {
    "language": "en",
    "segments": [
      {
        "start": 1.0,
        "end": 3.75,
        "text": "Hello everyone and welcome to the show.",
        "speaker": "Speaker 1",
        "words": [
          { "start": 1.0, "end": 1.35, "word": "Hello" },
          { "start": 1.4, "end": 1.75, "word": "everyone" }
        ]
      }
    ]
  }
}

Dê nome a quem fala

Os falantes vêm com identificadores genéricos (Speaker 1, Speaker 2). Você é quem define quem é quem, cruzando com a lista de participantes ou vendo quem se apresenta primeiro. Basta um mapeamento simples no código para deixar os nomes claros:

minutes.py

# minutes.py — turn the diarized result into text an LLM can summarize
NAMES = {"Speaker 1": "Dana", "Speaker 2": "Omar", "Speaker 3": "Lee"}  # you decide who is who


def clock(seconds):
    m, s = divmod(int(seconds), 60)
    h, m = divmod(m, 60)
    return f"{h}:{m:02}:{s:02}" if h else f"{m}:{s:02}"


def meeting_text(result):
    lines = []
    for segment in result["segments"]:
        who = NAMES.get(segment.get("speaker"), segment.get("speaker", "Unknown"))
        lines.append(f'[{clock(segment["start"])}] {who}: {segment["text"]}')
    return "\n".join(lines)


PROMPT = """Below is a meeting transcript with timestamps. Write: (1) a five-line summary,
(2) decisions, (3) action items as "owner - task - [timestamp]". Use only what is in the transcript.

"""
# Send PROMPT + meeting_text(result) to the model you use.

Ata e itens de ação

O KolWrite entrega a transcrição com os tempos e a identificação de quem falou; o resumo e a lista de tarefas ficam por conta do LLM que você já usa. Deixe os carimbos de tempo no texto enviado ao prompt para que cada tarefa aponte para o minuto exato da conversa, e oriente o modelo a se basear apenas no que está escrito ali.

Gravações de chamadas com uma pessoa por canal

Quando a chamada é gravada em estéreo (por exemplo, atendente no canal esquerdo e cliente no direito), você não precisa de diarização: basta separar por canal. Esse modo aceita de 2 a 8 canais e não pode ser usado junto com include_diarization.

{
  "audio_url": "https://example.com/support-call.wav",
  "model": "oracle",
  "channel_speaker_separation": "standard",
  "channel_labels": { "0": "Agent", "1": "Customer" },
  "output_format": "json"
}

Quando as pessoas falam ao mesmo tempo, troque standard por overlap. Nesse modo, a tarifa do modelo é cobrada sobre o que for maior: a duração da gravação ou o tempo total de fala detectado nos canais.

Quanto custa

A diarização comum e a separação padrão por canais não têm custo extra. Veja os preços em /llms/pricing.md.

Cuidados antes de usar o resultado

• Reuniões têm dados pessoais. Avise os participantes que a conversa será gravada e transcrita, e proteja o texto gerado com o mesmo rigor dedicado aos arquivos de áudio.
• Vozes parecidas, microfones ruins e gente falando ao mesmo tempo dificultam a separação de quem está falando. Quando o áudio estiver difícil, teste o pro_diarization ou a separação por canais.
• Se a reunião inteira for em um único idioma, passe o código em language. A detecção automática escolhe apenas um idioma para o arquivo todo.
• Sempre vale revisar nomes próprios, números e decisões antes que a equipe saia executando o que está na ata.

Perguntas e respostas