Cinco etapas, quatro artefatos: o que o Telli.sh realmente faz com a gravação de uma reunião

Oito pessoas de pé numa sala. Uma explica por que a migração atrasou. Duas escutam pela metade. Alguém no fundo diz a frase que vai importar daqui a três semanas, e ninguém anota.

Essa é a matéria-prima. Este texto trata do que o nosso sistema faz com ela, etapa por etapa, desde o instante em que o áudio começa a fluir até o momento em que você cola um link num canal.

Deixando claro logo de início: este é um texto de produto sobre o Telli.sh, escrito pela equipe que o constrói. Publicamos esse tipo de post periodicamente, ao lado dos nossos textos de pesquisa. O que tentamos fazer aqui foi descrever a engrenagem com precisão suficiente para que um leitor cético consiga conferir as afirmações — nomes reais de modelos, números reais, limites reais — em vez da névoa habitual do "movido a IA".

Resumo:

• Uma gravação passa por cinco etapas de processamento e deixa quatro artefatos armazenados separadamente: a transcrição bruta, o mapa de quem falou, o roteiro refinado e um resumo para cada formato aplicado.
• A identificação de quem falou roda sobre pyannote/speaker-diarization-community-1, bloco a bloco, carregando as impressões de voz adiante para que a mesma pessoa mantenha o mesmo rótulo do minuto 5 ao minuto 50.
• A tradução aceita 44 códigos de idioma; a própria interface existe em 15 idiomas; os resumos vêm em 10 formatos embutidos, além dos formatos personalizados que você define por nome, instruções e lista de seções.
• O plano gratuito são 60 minutos por mês, sem cartão. Os pagos custam 5, 8 e 10 dólares por mês para 300, 500 e 1.000 minutos.

Imagem: Klean Denmark, "Daily sprint meeting", Wikimedia Commons, CC BY-SA 2.0. Exatamente o tipo de reunião para o qual todo esse pipeline existe.

Há duas formas de o áudio entrar, e elas não são a mesma

Existem exatamente dois pontos de entrada, e a diferença entre eles molda tudo o que vem depois.

O primeiro é a gravação ao vivo. O navegador abre um AudioContext fixado em 16.000 Hz, carrega um AudioWorklet e acumula a entrada do microfone em blocos de 4.096 amostras — a 16 kHz, um pacote a cada 256 milissegundos. Cada bloco é convertido de ponto flutuante de 32 bits para PCM inteiro de 16 bits e enviado por WebSocket para /ws/audio/{sessionId}. Um segundo socket, /ws/session/{id}, carrega o canal de controle: mudanças de idioma, atualizações de contexto, o comando SUMMARIZE e o comando FINISH, que encerra a sessão e grava a nota.

O segundo é o upload de arquivo. Você solta uma gravação na janela de upload, ela é transmitida para POST /upload, e a resposta chega como JSON delimitado por linhas — um fluxo, não uma rodinha girando — para que a interface mostre progresso real em passos nomeados, e não uma porcentagem inventada. Os limites merecem ser ditos com franqueza: 500 MB por arquivo, e o seletor aceita apenas audio/*. Se a sua reunião está dentro de uma gravação de tela em MP4, é preciso extrair a trilha de áudio antes. Isso hoje não fazemos por você.

Os dois caminhos convergem para a mesma espinha de processamento. Da etapa 1 em diante, uma gravação ao vivo e um arquivo enviado são tratados de forma idêntica.

Cada etapa guarda a própria saída. Nada é sobrescrito pela etapa seguinte.

Etapas 1 e 2: ouvir as palavras e descobrir de quem elas eram

O reconhecimento de fala roda primeiro. Em produção, tanto o caminho em lote quanto o de streaming usam o modelo nova-3-general da Deepgram; o código também traz um caminho totalmente local baseado em faster-whisper para instalações próprias, escolhido por uma única configuração de provedor. Essa escolha importa menos do que se imagina, por um motivo sobre o qual já escrevemos bastante: os melhores modelos de fala nos rankings independentes hoje se agrupam dentro de cerca de 1,5 ponto percentual de taxa de erro de palavra. O motor deixou de ser o lugar onde mora a diferença de qualidade.

O lugar é a identificação de quem falou.

A diarização roda sobre pyannote/speaker-diarization-community-1. O detalhe de implementação que de fato importa é como ela lida com gravações longas. Em vez de diarizar o arquivo inteiro de uma vez, o pipeline processa o áudio em blocos e atribui falantes logo depois de cada bloco — mantendo, porém, um dicionário acumulado de impressões de voz por falante e reidentificando contra esse conjunto acumulado a cada bloco seguinte. É esse mecanismo que evita a falha clássica em que uma gravação de duas horas rebatiza silenciosamente a mesma pessoa como SPEAKER_00, depois SPEAKER_03, depois SPEAKER_07 conforme a reunião se arrasta.

Quando um segmento se sobrepõe a duas falas, o rótulo vai para a que cobre mais, com a semelhança de impressões servindo de desempate nos casos de sobreposição pequena.

Você recebe rótulos genéricos — SPEAKER_00, SPEAKER_01 — porque um modelo não tem como saber que SPEAKER_01 é a sua diretora de engenharia. Você renomeia uma vez na nota, e o mapeamento fica salvo com ela e é aplicado em todos os lugares depois, inclusive em exportações e links compartilhados. Essa é a divisão honesta de trabalho: a máquina separa as vozes, você fornece os nomes.

O que cada etapa de fato deixa para trás

A regra de projeto que seguimos é que nenhuma etapa destrói a saída da anterior. Você precisa sempre conseguir voltar às palavras que foram realmente ditas.

Na interface da nota, isso aparece como três tipos de abas: Histórico (transcrição bruta), Roteiro (versão refinada) e uma aba para cada formato de resumo gerado. Se o áudio da gravação foi guardado, um player fica acima delas, e clicar em qualquer linha da transcrição leva o áudio até aquela marca de tempo.

Etapa 3: em tradução, o número que importa é 44

A tradução de reuniões em tempo real foi o recurso que mais trouxe usuários no começo, e vale a pena ser preciso sobre o alcance dela, porque "suporta mais de 100 idiomas" é a afirmação menos verificável desta categoria.

Há dois números diferentes, e eles não são o mesmo:

• São aceitos 44 códigos de idioma de destino para tradução. Esse conjunto está enumerado explicitamente na configuração do backend e inclui zh-TW como distinto de zh — o que pesa mais do que parece se você trabalha entre Taiwan e a China continental.
• São 15 idiomas para a própria interface e para o idioma em que a IA escreve o seu resumo: inglês, coreano, japonês, chinês, alemão, francês, espanhol, italiano, português, russo, polonês, vietnamita, tailandês, indonésio e malaio.

Numa sessão ao vivo, a tradução é incremental, não agrupada no fim. Conforme fronteiras de pontuação chegam à transcrição, a tradução daquele trecho flui ao lado do original, e um cache por sessão evita retraduzir texto que não mudou. No upload de arquivo, as linhas são agrupadas em lotes: quando ninguém está olhando a tela, vazão importa mais do que latência.

Há também um modo de fluxo de tradução, distinto do modo nota, para quando a tradução é a entrega: uma conversa bilíngue que você precisa acompanhar ao vivo, e não uma reunião da qual você precisa tirar uma ata.

Etapa 4: a etapa que ninguém pede e todo mundo precisa

Aqui a descrição vira opinião, e não vamos suavizar: o refinamento é a etapa mais subestimada deste pipeline.

Uma transcrição literal da fala humana é quase ilegível. As pessoas recomeçam frases, deixam o final no ar, dizem "sim, sim, isso" quatro vezes e enterram uma decisão dentro de noventa segundos de pigarro. Transcrever isso sem errar uma palavra continua sendo noventa segundos de pigarro.

Por isso a etapa de refinamento pega cada bloco de conversa e o reescreve sob restrições apertadas, definidas num template de prompt e não no código, para que possamos ajustá-las sem um deploy. Cada bloco vira uma linha de tema em negrito derivada do conteúdo — não de um nome de papel, não entre colchetes — seguida de no máximo três marcadores, mirando cerca de 300 caracteres por bloco. Nomes de falantes e marcas de tempo são removidos explicitamente: já estão na transcrição bruta, e repeti-los só deixa a visão de leitura rápida menos rápida.

Uma restrição desse template merece ser nomeada: o modelo é instruído a acompanhar o registro do que ouviu e, especificamente, a não forçar um tom de reunião corporativa sobre uma conversa informal. Um papo de corredor resumido como se fosse ata de conselho é um artefato pior do que resumo nenhum.

Chamamos o resultado de roteiro: a versão que você lê de relance, a uma aba de distância da versão que você pode citar numa discussão.

Etapa 5: dez formatos de resumo, porque "resumo" não é uma coisa só

A última etapa produz o documento que você de fato envia. Pedir a um LLM "um resumo" devolve o resumo de nada em particular, então aqui o formato é uma escolha de primeira classe, não um padrão escondido.

Dez formatos vêm embutidos: Resumo de IA (geral), Ata de reunião, Relatório executivo, Notas de aula, Sermão / Palestra, Registro de atendimento, Resumo de ligação, Entrevista, Notas de ideias e Roteiro de apresentação. Cada um carrega sua própria estrutura de seções: a ata produz visão geral, pontos discutidos, decisões e próximos passos; o roteiro de apresentação produz esboço, fluxo dos slides, mensagens-chave, notas do apresentador e próximas ações. Os títulos das seções são localizados por idioma em vez de traduzidos na hora da geração, e é por isso que um resumo em japonês se lê como um documento japonês, não como um texto em inglês traduzido.

Quando nenhum dos dez serve, você define um formato personalizado: um nome, um conjunto de instruções e a lista de seções que quiser, salvo e reutilizável. "Atualização semanal para o conselho com riscos e decisões em aberto" é um formato que se escreve uma vez.

Qualquer formato pode ser aplicado a uma nota depois do fato e gera a própria aba. Resumir a mesma gravação de três maneiras para três públicos aqui é uso normal, não gambiarra.

Precisão de transcrição é uma pilha, não um número

Se você está avaliando ferramentas desta categoria, esta é a seção para contestar.

A indústria publica um número — a taxa de erro de palavra — e esse número deixou de servir para escolher entre produtos, porque todo mundo está amontoado perto do chão. Desmontamos esse argumento em detalhe em Precisão de STT não é suficiente, incluindo o caso em que um único "não" perdido inverte uma decisão custando 0,016% do orçamento de precisão.

A versão prática: a precisão de transcrição que sobrevive ao contato com uma reunião real é construída em cinco camadas, e o modelo acústico é só a de baixo.

A taxa de erro mede a camada 1. As camadas 2 a 5 decidem se a transcrição é utilizável.

A camada 3 é a que o usuário controla diretamente e que a maioria pula. Antes de gravar ou enviar, você pode fornecer um bloco de contexto de até 500 caracteres — tema, nomes dos participantes, códigos de produto, siglas — e anexar até 3 arquivos de referência (PDF, imagem ou texto), cujo texto é extraído no navegador e dobrado nesse mesmo orçamento. Esse contexto é passado para as etapas de IA.

Isso não é um mimo. Nomes próprios são, ao mesmo tempo, as palavras de maior informação e menor frequência de qualquer reunião: nomes de projetos internos, sobrenomes incomuns, códigos de produto. Dizer ao sistema com antecedência que "Kestrel" é um produto e "Ravi" é uma pessoa custa quinze segundos e elimina os erros que você passaria dez minutos corrigindo à mão. Se você mudar uma única coisa depois deste texto, preencha o campo de contexto.

Do zero a uma nota compartilhada, em onze passos

Concretamente, da primeira execução ao artefato compartilhável:

1. Crie a conta. O plano gratuito são 60 minutos por mês, sem cartão de crédito, e roda exatamente o mesmo pipeline dos pagos — é diferença de cota, não de recursos.
2. Escolha o caminho: inicie uma gravação ao vivo ou abra a janela de upload e solte um arquivo de áudio (audio/*, abaixo de 500 MB).
3. Defina o par de idiomas. A origem pode ficar em detecção automática; o idioma de destino decide em que língua saem a tradução e o resumo.
4. Preencha o campo de contexto — tema, nomes, siglas, até 500 caracteres. Anexe até 3 arquivos de referência se tiver um deck ou uma pauta.
5. Escolha uma pasta se quiser arquivar a nota em algum lugar específico. Dá para mover depois.
6. Grave, ou aguarde o fluxo de upload. Numa sessão ao vivo, a transcrição aparece conforme as pessoas falam, com a tradução entrando ao lado se houver idioma de destino definido. Durante um upload você verá passos nomeados: reconhecimento de voz, análise, refinamento, resumo e finalização.
7. Encerre a sessão. Isso dispara a mensagem de controle FINISH, que descarrega o último trecho, espera o refinamento em andamento, salva o áudio, gera o resumo e grava a nota.
8. Renomeie os falantes. SPEAKER_00 vira um nome uma única vez, e o mapeamento se propaga por todas as visões e todas as exportações.
9. Leia a aba Roteiro para entender do que a reunião tratou; desça para o Histórico e clique numa linha para ouvir o áudio naquele instante exato quando algo parecer errado.
10. Gere formatos de resumo adicionais se um público precisa da ata e outro do relatório executivo.
11. Compartilhe ou exporte. Um link de compartilhamento é somente leitura, expira em 7 dias e aceita senha opcional. A exportação entrega Markdown ou JSON, com o resumo, os blocos refinados e a transcrição completa num único arquivo.

Envie uma gravação que você já tem

Quanto custa, em números exatos

A cota é contada em minutos de áudio processado, e é a única coisa que separa os níveis.

A cobrança anual é mensal × 12 × 0,85. O preço por minuto melhora conforme o nível sobe; o pipeline não muda.

Sessenta minutos gratuitos são uma reunião longa ou três dailies. É o bastante para responder à única pergunta que importa: isso produz uma nota que você realmente enviaria? Com o seu próprio áudio, não com a demo de um fornecedor.

Grave sua próxima reunião ao vivo

O que o Telli.sh não faz

Um texto de produto que só lista capacidades é anúncio. Aqui vai a outra coluna.

Não aceita arquivos de vídeo. O uploader aceita audio/*. Extraia a trilha de áudio antes.

Não entra nas suas chamadas. Não existe bot que disque para Zoom, Meet ou Teams e apareça na lista de participantes. Você grava a sala, ou o áudio da sua própria máquina, ou envia o arquivo depois.

Não conserta áudio ruim. Esse é o limite honesto da categoria inteira. Um microfone omnidirecional de notebook na ponta de uma mesa de doze pessoas, numa sala de paredes duras, vai degradar a diarização independentemente de qual modelo estiver rodando — fala sobreposta e falantes distantes são onde a atribuição quebra primeiro. Um celular no meio da mesa ganha do notebook na ponta todas as vezes, e não custa nada.

Não conhece o seu vocabulário se você não contar. Veja a camada 3 acima. Nomes próprios incomuns são a fonte de erro mais comum, e o campo de contexto é a solução.

Os rótulos de falante começam genéricos. Nenhum sistema adivinha que SPEAKER_01 é a Priya. Renomeie uma vez por nota.

Links de compartilhamento têm prazo. Sete dias, e depois o link morre. É um padrão deliberado para conteúdo de reunião, não um recurso esquecido — mas significa que um link compartilhado não é arquivo permanente. Exporte o Markdown se precisar de permanência.

Conclusão

O erro que cometemos no início foi pensar nisso como um produto de transcrição. Não é. Transcrição é a etapa um de cinco, e é a que está mais perto de resolvida.

O que realmente construímos é a distância entre uma gravação e uma decisão: saber quem falou, encolher os noventa segundos de pigarro até a única frase que existe ali dentro, entregar essa frase no idioma em que quem lê trabalha e colocá-la onde um colega possa abrir. A gravação é evidência. A nota é o que muda o que vai acontecer na semana que vem.

Se você tem uma gravação de reunião no computador agora, esse é o único benchmark que vale. O nosso levou sessenta segundos de configuração e produziu uma nota que mandamos para quatro pessoas.

Comece uma sessão ao vivo com tradução

Fontes

• Precisão de STT não é suficiente — blog do Telli.sh, 4 de agosto de 2026 — o argumento completo sobre taxa de erro, com a dispersão do ranking
• pyannote/speaker-diarization-community-1 — Hugging Face — o modelo de diarização usado neste pipeline
• Documentação do modelo Deepgram Nova-3 — o modelo de reconhecimento de fala usado em produção
• Preços do Telli.sh — as cotas e preços citados acima
• Página da imagem no Wikimedia Commons — imagem de capa, Klean Denmark, CC BY-SA 2.0