Você tem uma gravação — uma daily, uma call com cliente, uma reunião de pais — e precisa das partes aproveitáveis: o que foi decidido, quem vai fazer o quê e qual trecho pertence a qual falante. Aqui está o fluxo que funciona, com a saída real incluída.
Passo 1 — Solte o arquivo, diga o que você quer dele
Três portas de entrada: envie um arquivo de áudio (MP3, WAV, M4A, FLAC — até uma hora de uma vez), toque no botão de microfone na caixa de mensagem para ditar ou gravar, ou use o botão de gravar no topo da gaveta de arquivos — as gravações caem no seu workspace de qualquer jeito. Depois diga em uma frase o que você realmente precisa:
- Só a transcrição — "transcreva isso" devolve o texto.
- Ata — "transforme em ata com itens de ação" devolve um documento estruturado.
- Seções — "separe a parte do nível da escola da parte do nível da turma" também funciona — a transcrição carrega timestamps, então o agente consegue cortar seções por tempo.
Se o áudio tem vários falantes, diga isso — a transcrição roda com separação de
falantes, e a saída nomeia os turnos <|speaker:0|>, <|speaker:1|> e assim por diante.
Passo 2 — Como fica uma transcrição real
Sintetizamos uma daily de 32 segundos com dois falantes (o mesmo motor de voz que alimenta nosso pipeline de podcast — então este arquivo é material de demo livre de direitos, não a reunião real de alguém) e rodamos o fluxo. Ouça você mesmo:
E a transcrição que ela produziu de fato, com os rótulos de falante:
<|speaker:0|> Vamos começar a revisão da sprint. Marketing terminou a atualização da landing page, e os cadastros subiram 12% semana a semana. <|speaker:1|> Bons números. Do meu lado, o novo pipeline de transcrição entrou no ar ontem. Gravações de reunião de até 60 minutos agora funcionam de uma vez. Em seguida, quero feedback sobre o formato da ata antes de anunciarmos. <|speaker:0|> Um item em aberto. O preço do recurso de ata — vou levar uma proposta na quinta. Mais alguma coisa? <|speaker:1|> Só uma coisa. Ainda devemos ao time um post-mortem do incidente da semana passada. Vou escrever o rascunho hoje.
Cada turno também carrega timestamps de início/fim — é isso que torna possível dividir seções e "recortar o trecho em que se falou de preço" sem reouvir o áudio.
Passo 3 — A ata é uma etapa de forma, não de transcrição
A transcrição é a matéria-prima; a ata é um produto editorial. Diga ao agente a audiência e o formato — "ata para o time, decisões numa seção, itens de ação com responsáveis" — e ele escreve o documento, não apenas formata o despejo. Numa execução real ele produziu dois arquivos de uma única gravação: um resumo no nível da escola e um no nível da turma, divididos no momento em que a reunião mudou de escopo.
Os limites honestos
- Gravadores com contêineres estranhos podem decodificar mal. Se um arquivo falha, o agente converte para WAV com ffmpeg e tenta de novo — diga "falhou" e ele se vira, mas um MP3/M4A padrão de celular é o caminho mais suave.
- Áudio em idiomas mistos tem viés para o idioma dominante. Inglês e chinês misturados funcionam bem; uma gravação muito multilíngue pode marcar trechos em idiomas secundários com uma etiqueta de idioma em vez de transcrevê-los.
- Rótulos de falante são números, não nomes. A transcrição diz speaker:0 e speaker:1; o agente chuta identidades pelo contexto ("o diretor", "o cliente") e acerta na maioria das vezes — confira os nomes antes de publicar a ata.
- Hífens e nomes de produtos podem derivar. "meeting-to-minutes" pode voltar como "meeting to minutes". Confira os nomes próprios uma vez.
Para onde isso vai
O mesmo pipeline alimenta qualquer coisa a jusante de uma transcrição: follow-ups por email, decks de slides a partir do conteúdo da reunião, um digest semanal das dailies. É uma capacidade do agente persistente — o mesmo workspace que guarda seus documentos guarda o áudio, a transcrição e o que você pedir para ele criar a partir deles.
Tente: abra o workspace, solte uma gravação e diga "transcreva isso e depois escreva a ata para mim."