---
title: "Transcrever gravações de call center: pipeline com código"
description: "Separe chamadas estéreo por canal, corte os turnos, transcreva árabe e inglês, oculte dados pessoais e resuma cada chamada com um LLM. Código Python e custos."
url: https://broadrouter.com/pt/blog/transcribe-call-center-recordings/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/blog/transcribe-call-center-recordings/) (atualizado em 2026-11-14).

# Como transcrever gravações de call center: pipeline pronto para árabe

Pela equipe da BroadNet Inference · 4 min de leitura · Publicado em 2026-11-14

Para transcrever gravações de call center, separe os arquivos estéreo nos canais do atendente e do cliente, corte cada canal em turnos de fala, transcreva cada turno com o código de idioma certo e junte os turnos pela hora de início. Oculte números de cartão e de telefone da transcrição antes que um LLM resuma a chamada. Gravações mono precisam de uma etapa separada de diarização.

## Pontos principais

-   A maioria dos gravadores de call center guarda atendente e cliente em canais estéreo separados. Separá-los dá rótulos de locutor perfeitos sem diarização.
-   Cortar cada canal nos silêncios dá a ordem dos turnos e evita pagar pelo silêncio.
-   Normalize os dígitos arábicos orientais antes de ocultar dados, senão números de cartão e de telefone escapam.
-   Oculte os dados da transcrição antes da etapa de resumo, e peça ao LLM um JSON estruturado.
-   A $0.0042 por minuto, transcrever 1.000 horas de fala em árabe custa $252.00.

**Nesta página**

1.  Etapa 1: a gravação é estéreo ou mono?
2.  Etapa 2: como separar canais estéreo com o ffmpeg?
3.  Etapa 3: como cortar cada canal em turnos de fala?
4.  Etapa 4: como transcrever cada turno?
5.  Etapa 5: como juntar os turnos em um diálogo?
6.  E as gravações mono?
7.  Etapa 6: como ocultar dados pessoais, incluindo dígitos árabes?
8.  Etapa 7: como resumir cada chamada com um LLM?
9.  Quais checagens de qualidade vêm antes do analytics?
10.  Quanto custa transcrever chamadas?
11.  Onde a BroadNet Inference entra

_[image: A support agent with a headset beside a screen showing a call transcript, with the text "Every call becomes insight."]_

Illustration of an app you could build; not a BroadNet product screenshot.

Um call center produz milhares de horas de áudio por mês, e quase nada disso é lido. Transcrições tornam as chamadas pesquisáveis. Resumos tornam as chamadas revisáveis. Este post monta o pipeline de ponta a ponta, com foco no árabe: dialetos, árabe e inglês misturados e dígitos arábicos orientais.

As etapas:

1.  Inspecione a gravação: estéreo ou mono?
2.  Separe o estéreo nos canais do atendente e do cliente.
3.  Corte cada canal em turnos de fala.
4.  Transcreva cada turno no idioma certo.
5.  Junte os turnos em um diálogo pela hora de início.
6.  Oculte dados pessoais (PII) do texto.
7.  Resuma com um LLM em campos estruturados.

## Etapa 1: a gravação é estéreo ou mono?

```bash
ffprobe -v error -show_entries stream=channels,sample_rate,duration -of csv=p=0 call.wav
# 2,8000,412.6   -> stereo, 8 kHz telephone audio, 6.9 minutes
```

Muitos gravadores de contact center guardam o atendente em um canal e o cliente no outro. O [guia de contact center da AssemblyAI](https://www.assemblyai.com/docs/contact-center-best-practices) diz o mesmo: com canais separados, você tem a separação de locutores sem diarização. Confira em algumas chamadas qual lado é qual; o atendente nem sempre fica à esquerda.

## Etapa 2: como separar canais estéreo com o ffmpeg?

```bash
ffmpeg -i call.wav -af "pan=mono|c0=c0" -ar 16000 agent.wav
ffmpeg -i call.wav -af "pan=mono|c0=c1" -ar 16000 customer.wav
```

O filtro `pan` mantém um canal, e `-ar 16000` reamostra para 16 kHz, o formato que a documentação da BroadNet usa para gravações telefônicas.

## Etapa 3: como cortar cada canal em turnos de fala?

Esta é uma forma simples de [detecção de atividade de voz](https://broadrouter.com/pt/glossary/vad/). Enviar cada canal inteiro funciona, mas você paga por cada segundo de silêncio enquanto a outra parte fala, o que mais ou menos dobra a conta em uma chamada estéreo. Também se perde a ordem dos turnos. Cortar nos silêncios resolve as duas coisas:

```python
import re, subprocess

def speech_turns(wav, noise="-35dB", min_silence=0.6):
    """Return (start, end) seconds of speech, using ffmpeg silencedetect."""
    log = subprocess.run(
        ["ffmpeg", "-i", wav, "-af", f"silencedetect=noise={noise}:d={min_silence}", "-f", "null", "-"],
        capture_output=True, text=True).stderr
    dur = float(subprocess.run(
        ["ffprobe", "-v", "error", "-show_entries", "format=duration", "-of", "csv=p=0", wav],
        capture_output=True, text=True).stdout)
    starts = [float(x) for x in re.findall(r"silence_start: ([\d.]+)", log)]
    ends = [float(x) for x in re.findall(r"silence_end: ([\d.]+)", log)]
    turns, cursor = [], 0.0
    for s, e in zip(starts, ends + [dur]):
        if s - cursor > 0.4:
            turns.append((cursor, s))
        cursor = e
    if dur - cursor > 0.4:
        turns.append((cursor, dur))
    return turns
```

Ajuste `noise` nas suas próprias gravações: linhas ruidosas precisam de um limiar mais alto, como `-30dB`.

## Etapa 4: como transcrever cada turno?

```python
import os, tempfile
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])

def transcribe_turns(wav, speaker, language="ar"):
    out = []
    for start, end in speech_turns(wav):
        with tempfile.NamedTemporaryFile(suffix=".wav") as seg:
            subprocess.run(["ffmpeg", "-y", "-loglevel", "error", "-i", wav,
                            "-ss", f"{start:.2f}", "-to", f"{end:.2f}", seg.name], check=True)
            with open(seg.name, "rb") as audio:
                text = client.audio.transcriptions.create(
                    model="broadnet/cohere-transcribe-arabic", file=audio, language=language).text
        out.append({"start": start, "speaker": speaker, "text": text.strip()})
    return out
```

Sempre envie `language`. Sem ele, o árabe pode voltar em letras latinas. Para filas em inglês, use `broadnet/cohere-transcribe` com `language="en"`. Mantenha um pool pequeno de workers: chaves de pagamento por uso permitem 4 requisições simultâneas e 30 por minuto, e o [guia de erros e retentativas](https://broadrouter.com/pt/guides/errors-and-retries/) mostra como fazer backoff em 429.

Cada arquivo precisa ficar abaixo de 25 MiB. Um monólogo longo em WAV mono de 16 kHz (cerca de 32 KB por segundo) passa desse limite por volta dos 13 minutos; divida-o com `-f segment -segment_time 600`.

## Etapa 5: como juntar os turnos em um diálogo?

```python
turns = transcribe_turns("agent.wav", "Agent") + transcribe_turns("customer.wav", "Customer")
dialogue = "\n".join(f'{t["speaker"]}: {t["text"]}' for t in sorted(turns, key=lambda t: t["start"]))
```

Falas sobrepostas aparecem como dois turnos com horários de início próximos, que é o que um revisor humano espera.

## E as gravações mono?

Sem canais, você precisa de **[diarização de locutores](https://broadrouter.com/pt/glossary/diarization/)**: decidir quem falou quando. Opções:

| Opção | Como | Trade-off |
| --- | --- | --- |
| Diarização open source | Rode o [pyannote.audio](https://github.com/pyannote/pyannote-audio) nos seus servidores e depois transcreva cada segmento de locutor | Você hospeda um modelo; o áudio fica com você |
| Um provedor com diarização embutida | Várias APIs de STT devolvem rótulos de locutor; veja a [comparação de preços](https://broadrouter.com/pt/blog/speech-to-text-api-pricing-compared/) para os custos adicionais | Mais um fornecedor no caminho dos dados |
| Rotulagem de papéis com LLM | Transcreva os turnos e peça a um LLM que rotule cada turno como atendente ou cliente pelo contexto | Barato; erra em turnos curtos ou ambíguos |
| Resolver na origem | Mude o gravador para dois canais | A melhor resposta a longo prazo |

A BroadNet não lista diarização, então em áudio mono combine-a com uma das três primeiras opções.

## Etapa 6: como ocultar dados pessoais, incluindo dígitos árabes?

Quem liga lê em voz alta números de cartão, IBANs e números de telefone. As transcrições podem escrevê-los em dígitos ocidentais (0-9) ou arábicos orientais (٠-٩). Normalize primeiro, depois oculte:

```python
EASTERN = str.maketrans("٠١٢٣٤٥٦٧٨٩۰۱۲۳۴۵۶۷۸۹", "01234567890123456789")

def redact(text):
    text = text.translate(EASTERN)
    text = re.sub(r"\b(?:\d[ -]?){13,19}\b", "[CARD]", text)
    text = re.sub(r"\b[A-Z]{2}\d{2}[A-Z0-9]{11,30}\b", "[IBAN]", text)
    text = re.sub(r"\+?\d[\d -]{7,}\d", "[PHONE]", text)
    return text
```

Números também podem ser falados por extenso (“خمسة أربعة…”), e a regex não vai pegá-los. Revise amostras de transcrições à mão e acrescente regras para o que encontrar. A abordagem mais ampla está em [enviar dados sensíveis a uma API de LLM](https://broadrouter.com/pt/blog/llm-api-sensitive-data/).

## Etapa 7: como resumir cada chamada com um LLM?

```python
import json
summary = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    response_format={"type": "json_object"},
    messages=[
        {"role": "system", "content": "Summarise this call centre dialogue. Reply in English JSON with keys: "
                                      "reason, resolution, resolved (true/false), customer_sentiment, follow_up."},
        {"role": "user", "content": redact(dialogue)},
    ],
).choices[0].message.content
print(json.loads(summary))
```

O Qwen3.8 27B suporta [saída estruturada](https://broadrouter.com/pt/glossary/structured-output/); sempre faça o parsing e valide a resposta ([como](https://broadrouter.com/pt/blog/structured-output-json-schema/)). O teste da própria BroadNet também mostrou que ele entende os dialetos do Golfo e egípcio. Peça JSON em inglês se os seus dashboards estão em inglês, mesmo quando a chamada é em árabe.

## Quais checagens de qualidade vêm antes do analytics?

Dashboards construídos sobre transcrições ruins parecem tão confiantes quanto os construídos sobre transcrições boas. Acrescente estas checagens ao pipeline:

-   **Canais trocados.** Se os rótulos de atendente e cliente estiverem invertidos em algum gravador ou fila, toda métrica do tipo “o atendente disse” fica errada. Confira o primeiro turno: atendentes costumam abrir com uma saudação e o nome da empresa.
-   **Transcrições vazias ou mínimas.** Um turno que não devolve texto, ou uma chamada com menos de 20 palavras, geralmente indica silêncio, música de espera ou arquivo com defeito. Sinalize em vez de resumir.
-   **Idioma errado.** Uma fila em inglês que de repente produz texto em árabe, ou árabe devolvido em letras latinas, aponta para um valor de `language` errado.
-   **Desvio nos resumos.** Toda semana, peça a um supervisor que compare 20 resumos com a transcrição completa. Acompanhe com que frequência `resolved` está errado.

Guarde as transcrições por turno, não só o resumo. Quando um resumo for contestado, os turnos são a sua prova.

## Quanto custa transcrever chamadas?

Com o corte em turnos, o áudio cobrado fica perto do tempo de conversa. Para 1.000 horas de fala em árabe:

-   Transcrição: $252.00 a $0.0042 por minuto no [BroadNet Transcribe Arabic](https://broadrouter.com/pt/models/cohere-transcribe-arabic/), ou $120.00 no [BroadNet Transcribe](https://broadrouter.com/pt/models/cohere-transcribe/), de 14 idiomas, para filas em inglês.
-   Resumos: uma chamada de 7 minutos costuma ter alguns milhares de tokens. Calcule o preço na [calculadora de custo de API de LLM](https://broadrouter.com/tools/llm-api-cost-calculator/) com o tamanho real das suas transcrições, e a parte de áudio na [calculadora de custo de speech-to-text](https://broadrouter.com/tools/speech-to-text-cost-calculator/).

## Onde a BroadNet Inference entra

A BroadNet cobre as etapas 4 e 7 com uma chave e uma [base URL](https://broadrouter.com/pt/glossary/base-url/): árabe e outros 13 idiomas para transcrição, e modelos de chat testados em árabe para o resumo. Áudio, transcrições e prompts não são retidos ([retenção zero de dados](https://broadrouter.com/pt/privacy/)), e a BroadNet coloca seu modelo de árabe em #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) no Open Universal Arabic ASR Leaderboard.

Ela não faz diarização, transcrição em tempo real nem ocultação de dados por você; isso fica no seu pipeline. Antes de se comprometer, teste os seus dialetos com o método de [reconhecimento de fala em dialetos árabes](https://broadrouter.com/pt/blog/arabic-dialect-speech-recognition/).

Ferramentas gratuitas sobre o tema (em inglês)

-   [Arabic token counter](https://broadrouter.com/tools/arabic-token-counter/) Arabic vs English token counts per tokenizer: the "Arabic tax" in tokens and money.
-   [Arabic text normalizer](https://broadrouter.com/tools/arabic-text-normalizer/) Tashkeel, tatweel, alef, ya, ta marbuta, digits and invisible characters, with a matching Python function.
-   [Speech-to-text cost calculator](https://broadrouter.com/tools/speech-to-text-cost-calculator/) Hours, calls or voice notes to a monthly transcription bill, against your current provider.

[Ferramentas gratuitas (em inglês)](https://broadrouter.com/tools/)

## Termos neste artigo

[Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/)

Fala para texto, ou reconhecimento automático de fala (ASR), é a tecnologia que converte áudio falado em texto. Uma API de fala para texto recebe um arquivo ou stream de áudio e retorna uma transcrição, normalmente cobrada por minuto de áudio. A precisão é medida pela taxa de erro de palavras e varia com sotaque, dialeto e qualidade da gravação.

[Diarização de locutores (speaker diarization)](https://broadrouter.com/pt/glossary/diarization/)

Diarização de locutores é a tarefa de dividir uma gravação de áudio em segmentos por falante, respondendo "quem falou e quando". Ela marca cada trecho de fala com um ID anônimo, como SPEAKER\_00, e costuma ser combinada com uma transcrição para mostrar quem disse cada fala.

[Concorrência (concurrency)](https://broadrouter.com/pt/glossary/concurrency/)

Concorrência é o número de requisições que um cliente tem em andamento ao mesmo tempo. APIs de LLM muitas vezes a limitam por chave ou por plano, separadamente das requisições por minuto, porque cada requisição aberta ocupa capacidade de GPU até a resposta terminar.

[Pagamento por uso (pay-as-you-go)](https://broadrouter.com/pt/glossary/pay-as-you-go/)

Pagamento por uso é um modelo de preço em que você paga só pelo que usa, medido por unidade, como tokens, requisições ou minutos de áudio, sem assinatura nem compromisso mínimo. A maioria das APIs de LLM cobra assim, a partir de um saldo pré-pago ou de uma fatura periódica.

[Token](https://broadrouter.com/pt/glossary/token/)

Um token é a unidade de texto que um modelo de linguagem lê e escreve: uma palavra, parte de uma palavra, um sinal de pontuação ou uma sequência de bytes gerada pelo tokenizador do modelo. As APIs de LLM contam, limitam e normalmente cobram o uso em tokens.

[Base URL (URL base)](https://broadrouter.com/pt/glossary/base-url/)

A base URL é o endereço raiz fixo de uma API, como https://api.example.com/v1, que um cliente coloca antes de cada caminho de endpoint, como /chat/completions. Nos SDKs compatíveis com a OpenAI, trocar a base URL, junto com a chave de API e o ID do modelo, aponta o mesmo código para outro provedor.

[Tool calling (chamada de ferramentas)](https://broadrouter.com/pt/glossary/tool-calling/)

Tool calling, também chamado de function calling ou chamada de ferramentas, é um recurso de APIs de LLM em que o modelo devolve um pedido estruturado para executar uma função definida pelo desenvolvedor, com argumentos JSON. A aplicação executa a função e devolve o resultado; o modelo nunca executa código sozinho.

[Voice activity detection (VAD)](https://broadrouter.com/pt/glossary/vad/)

Voice activity detection (VAD, detecção de atividade de voz) é uma etapa de processamento de sinal que classifica frames curtos de áudio como fala ou não fala. Sistemas de voz a usam para pular silêncios, dividir gravações longas nas pausas, detectar quando alguém terminou de falar e evitar transcrever ruído de fundo.

## Perguntas frequentes

### Como separo atendente e cliente em uma gravação de chamada?

Se a gravação for estéreo, atendente e cliente normalmente ficam em canais diferentes. Separe-os com o ffmpeg e transcreva cada canal sozinho. Se for mono, você precisa de diarização de locutores.

### Pago duas vezes ao transcrever os dois canais estéreo?

Se você enviar cada canal inteiro, sim, porque cada canal tem a duração da chamada. Cortar cada canal em turnos de fala e enviar só os turnos aproxima o áudio cobrado do tempo real de conversa.

### Dá para transcrever chamadas em árabe com palavras em inglês no meio?

Sim, mas teste. Atendentes do Golfo e do Levante muitas vezes passam para o inglês em nomes de produtos e números. Confira como essas palavras saem em 20 chamadas reais antes de depender de busca por palavra-chave ou de analytics.

### Devo ocultar dados no áudio ou no texto?

Oculte na transcrição em texto antes que ela vá para um LLM, para analytics ou para a busca. Se você guardar o áudio, ele ainda contém os números falados, então restrinja o acesso ao áudio e defina um prazo de expiração também.

### Qual o tamanho máximo de cada arquivo de áudio?

A BroadNet aceita WAV ou MP3 de até 26.214.400 bytes (25 MiB) por requisição. Um WAV mono de 16 kHz ocupa cerca de 32 KB por segundo, então mantenha os segmentos abaixo de uns 13 minutos ou use MP3.

## Continue lendo

-   [Atas de reuniões em árabe a partir de gravações: um pipeline de API](https://broadrouter.com/pt/blog/arabic-meeting-minutes-from-recordings/)
-   [Transcrever áudio longo acima de 25 MB: dividir, enviar e juntar](https://broadrouter.com/pt/blog/transcribe-long-audio-files-api/)
-   [API de fala para texto em árabe: como escolher em 2026](https://broadrouter.com/pt/blog/arabic-speech-to-text-api-buyers-guide/)
-   [Dados sensíveis numa API de LLM: mascare, minimize, registre menos](https://broadrouter.com/pt/blog/llm-api-sensitive-data/)
-   [Dialetos árabes e speech-to-text: Golfo, Egito, Levante, Magreb](https://broadrouter.com/pt/blog/arabic-dialect-speech-recognition/)
-   [Preço de API speech-to-text comparado: preço por minuto em 2026](https://broadrouter.com/pt/blog/speech-to-text-api-pricing-compared/)
-   [Diacríticos no árabe com um LLM: prompt, checagens e DER](https://broadrouter.com/pt/blog/arabic-diacritization-llm/)
-   [Correção gramatical e ortográfica do árabe com um LLM: passo a passo](https://broadrouter.com/pt/blog/arabic-grammar-spelling-correction-llm/)
-   [Guia: API de transcrição de áudio em árabe, passo a passo](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/)
-   [Guia: Códigos de erro da BroadNet Inference e quando tentar de novo](https://broadrouter.com/pt/guides/errors-and-retries/)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-transcribe-call-center-recordings&utm_content=page-cta) ·

**Fontes**

-   [Documentação de filtros do FFmpeg (pan, silencedetect)](https://ffmpeg.org/ffmpeg-filters.html)
-   [AssemblyAI, boas práticas para contact centers (áudio multicanal)](https://www.assemblyai.com/docs/contact-center-best-practices)
-   [pyannote.audio, diarização de locutores open source](https://github.com/pyannote/pyannote-audio)
-   [Referência da API da BroadNet Inference, transcrição e limites (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-transcribe-call-center-recordings&utm_content=sources)
-   [Preços da BroadNet Inference em formato legível por máquina (pricing.json) (em inglês)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-blog-transcribe-call-center-recordings&utm_content=sources)
