teqo-backup/docs/plans/acervo-separacao-por-pessoa.md

11 KiB
Raw Permalink Blame History

C200 — Separar falas por pessoa nas gravações enviadas

Status: rascunho Atualizado em: 2026-09-18 Issue: #1167 Priority: P3 Impeccable: C — fluxo novo no acervo (rotulagem de falantes no detalhe + faceta "Pessoa" na fonte de gravações enviadas) Design UI: docs/plans/acervo-separacao-por-pessoa-ui-design.html Appetite: ~2–3 dias eng; um outcome verificável — a assessoria identifica quem fala numa gravação enviada e filtra o acervo pelas falas de uma pessoa Responsável: —

Intenção

As gravações enviadas ao acervo (C199) não têm só fala do Solla: plenárias e debates têm várias vozes, e a transcrição sai como um bloco único. A busca geral já cobre esse texto inteiro, mas não responde à pergunta que a assessoria faz o tempo todo: "o que fulano disse nesta gravação?". Este item é a camada de quem-falou-o-quê: a transcrição passa a vir dividida por agrupamento de falante, a assessoria identifica quem é cada voz e o acervo ganha um recorte por pessoa.

O guardrail é duro e vem do próprio pedido: separar por áudio é agrupamento acústico ("Falante 1", "Falante 2", …), e a identificação é humana — a assessoria ouve e rotula. Nada de voiceprint, nada de casar voz com pessoa conhecida, nada de identificar terceiros por biometria. Rótulo não preenchido continua "Falante N"; nunca se inventa identidade.

P3: melhora real o garimpo, mas depende do C199 e não bloqueia operação — o acervo segue útil com a busca geral enquanto isso.

Persona e fluxo

  • Persona / contexto: assessoria de comunicação (communicator) — e também coordinator/candidate — na mesa, montando peça com prazo curto, garimpando em plenárias/debates enviados pela equipe; não é editor de transcrição nem curador de cadastro.
  • Job principal: achar as falas de uma pessoa específica dentro de uma gravação e conseguir recortar as gravações em que ela fala.
  • Fluxo desejado:
    1. Abre o acervo na fonte "Gravações enviadas" e abre uma gravação.
    2. A transcrição aparece dividida em "Falante 1", "Falante 2", … — sem nome inventado, sem sugestão automática de identidade.
    3. Ouve o trecho e usa "Identificar falante" para rotular o agrupamento (ex.: "Falante 2" → "Dep. Jorge Solla"); o rótulo vale para todas as falas daquele agrupamento naquela gravação.
    4. Volta à lista e usa a faceta "Pessoa" para ver só as gravações com falas daquela pessoa; a busca geral continua cobrindo a transcrição inteira.
    5. Abre o trecho e assiste/baixa como já faz hoje.
  • Anti-goals de produto: não vira biometria/identificação automática de voz; não cria cadastro de pessoas paralelo ao Contact; não troca nem esvazia a busca geral; não edita transcrição; não reprocessa o acervo antigo sozinho.

Esboço de fluxo (C)

[acervo: fonte "Gravações enviadas"] → abre a gravação
  → transcrição dividida em "Falante 1", "Falante 2", … (sem nome inventado)
  → ouve + "Identificar falante" → rótulo vale para todas as falas daquele agrupamento
  → volta à lista → faceta "Pessoa" recorta as gravações com falas daquela pessoa
  → abre o trecho, assiste/baixa → [outcome: a fala da pessoa certa na mão]

Design UI (C)

  • Design UI (gate): docs/plans/acervo-separacao-por-pessoa-ui-design.html (+ assets em docs/plans/acervo-separacao-por-pessoa-ui-design-assets/) — a produzir pelo designer.
  • Por que C: há affordance nova no detalhe (rotular agrupamento) e estado novo na lista (faceta "Pessoa" só na fonte de gravações enviadas, com rótulos por gravação), dentro da tela existente. Design hi-fi obrigatório no gate e fonte de verdade do port.

Objetivo e aceite

  • Gravações enviadas (C199) têm a transcrição dividida por agrupamento de falante; o rótulo default é "Falante 1", "Falante 2", … (sempre com número).
  • A assessoria rotula um agrupamento com "Identificar falante" no detalhe da gravação; o rótulo passa a valer para todas as falas daquele agrupamento naquela gravação.
  • A faceta "Pessoa" existe na fonte "Gravações enviadas" e recorta as gravações em que aquele rótulo aparece; a busca geral continua alcançando a transcrição inteira, como hoje.
  • Rótulo não preenchido permanece "Falante N"; o produto nunca sugere, infere ou completa identidade.
  • Reprocessar a transcrição de uma gravação não perde os rótulos já feitos (ou exige re-vinculação clara e avisada) — requisito de produto, não detalhe técnico.
  • Escopo de aplicação: gravações novas a partir deste item; reprocessar/diarizar as antigas é ação explícita, nunca automática.
  • Guardrails: sem biometria de voz; identificação é humana; sem segundo cadastro de pessoa (rótulo é texto, não Contact); gate fail-closed do acervo (communicator + coordinator/candidate; demais negados); acervo segue interno; sem score de confiança de "quem falou" na UI.

Dados (intenção)

  • Vou apresentar dados? N/A — o filtro por pessoa é recorte de conteúdo/conteúdo editorial, não métrica nem agregado.
  • Decisões desbloqueadas: N/A — a escolha da persona ("qual fala usar") é qualitativa.
  • Forma: N/A — sem superfície de dados; restrição de produto: agrupamento é acústico e aproximado, então nada de confiança numérica por falante (número cru engana e sugere precisão que não existe).

Dados da decisão (literais)

  • Rótulo default dos agrupamentos: "Falante 1", "Falante 2", … (sempre com número; nunca nome inventado).
  • Ação de curadoria: "Identificar falante" (rotular), no detalhe da gravação.
  • Faceta: "Pessoa", na fonte "Gravações enviadas" do acervo.
  • Fonte: "Gravações enviadas" (a fonte que o C199 popula).
  • Papéis: communicator ("Assessor de Comunicação") + coordinator/candidate; demais negados (fail-closed) — mesmo gate do acervo.
  • Guardrail literal: sem biometria de voz; identificação humana; sem segundo cadastro de pessoa.
  • Dependência dura: C199.

Direção no codebase (hipótese)

  • Áreas prováveis: src/app/(campaign)/campanha/(app)/comunicacao/acervo/… (lista + detalhe); src/components/campaign/speech/SpeechAcervoFilters.tsx e src/components/campaign/shared/CampaignHeaderFilterPopover.tsx (faceta multi-seleção reutilizável); src/utilities/speech/speechListUrl.ts (SpeechFilterOptions e params/URLs da lista), speechListFilters.ts, speechOmnibox.ts, speechPageData.ts; src/utilities/ai/deepInfraTranscribe.ts e o import (src/utilities/speech/speechImport.ts); src/utilities/access/speeches.ts (gate).
  • Precedente a olhar: C154 (filtros/facetas do acervo), C153 (menções como texto; anti-goal de normalizar pessoa), C192 (recorte adicional na mesma tela), src/collections/SpeechSegment.ts (segmento hoje sem locutor, admin-hidden, substituído em bloco no import).
  • Risco de acoplamento: o reprocessamento do import substitui os segmentos em bloco — um rótulo por trecho só sobrevive se o reprocessamento carregar/re-aplicar; o contrato de URL da lista sustenta deep-links e a faceta nova não pode quebrar as existentes; busca geral, cortes e gate de leitura intocados.

Dependências

  • C199 (dura, bloqueante) — sem as gravações transcritas não há o que separar.
  • Soft: C192 (busca semântica) compartilha a tela e a organização de filtros; não bloqueia nem é pré-requisito.

Fora de escopo

  • Biometria/voiceprint e qualquer identificação automática de pessoa.
  • Contact/segundo cadastro de pessoa.
  • Edição/correção de transcrição e correção de erros de ASR.
  • Cortes/clipes e biblioteca de cortes.
  • Busca semântica (C192) — recorte ortogonal sobre a mesma tela.
  • Publicação externa, compartilhamento e Sollinha/dossiês.
  • Backfill automático de diarização nas gravações antigas.

Rabbit holes de produto

  • Virar reconhecimento biométrico. Se alguém "só completar": voiceprint, match automático voz↔pessoa, identificação de terceiros. Corte neste item: agrupamento acústico + rótulo humano; nada automático.
  • Cadastro de pessoas/vozes. Se alguém "só completar": diretório de falantes, entidade nova, merge entre gravações. Corte: rótulo é texto por gravação; sem unificação automática.
  • Transcrição perfeita por falante. Se alguém "só completar": correção de sobreposição, refino de palavras, edição de texto. Corte: agrupamento é aproximado; fala sobreposta pode cair no agrupamento errado e a assessoria re-rotula.
  • Identificar automaticamente autoridades. Se alguém "só completar": inferir "quem presidia" ou "o deputado" por heurística. Corte: se quiserem marcar presidência, é rótulo humano como qualquer outro.

Questões em aberto (produto)

  • Qual provedor/etapa faz a diarização? Opções: A) provedor com diarização nativa no pipeline de transcrição | B) etapa de diarização sobre o áudio já transcrito | C) diarização local no homeserver. Recomendação: decisão do plano de implementação, com custo por minuto medido e fallback honesto — o ASR atual (Whisper large-v3) não entrega diarização; sem a etapa, a transcrição volta a bloco único (nunca fingir separação). (assumido — validar no gate)
  • Reprocessar as gravações antigas? Opções: A) backfill automático de todo o acervo | B) ação explícita por gravação | C) não oferecer. Recomendação: B — o custo por minuto não justifica varrer tudo agora, e reprocessar pode mexer em rótulos já feitos; quando rodar, é avisado e não perde rótulo. (assumido — validar no gate)
  • Mesma pessoa em gravações diferentes? Opções: A) unificação automática por voz (biometria — proibida) | B) texto livre por gravação, sem unificação; o filtro casa pelo texto do rótulo | C) diretório sugerido + merge manual (item futuro). Recomendação: B — sem segunda fonte de identidade nem matching biométrico; se as variações de nome ("Solla" vs "Dep. Jorge Solla") fragmentarem o filtro, é curadoria, outro item se doer. (assumido — validar no gate)
  • O que mostrar quando o agrupamento é ruim (sobreposição/ruído)? Opções: A) esconder a separação quando a qualidade for baixa | B) mostrar mesmo aproximada, com aviso discreto de que o agrupamento é automático | C) permitir marcar "não sei quem falou". Recomendação: B (+ C se couber no design) — transparência sobre o limite; esconder quebra a confiança no que apareceu. (assumido — validar no gate)

Referências

  • GitHub Issue #1167
  • Design UI (gate): docs/plans/acervo-separacao-por-pessoa-ui-design.html (+ assets em docs/plans/acervo-separacao-por-pessoa-ui-design-assets/)
  • Dependência: C199 (upload de gravações no acervo — a definir planos irmãos)
  • Planos irmãos: docs/plans/acervo-videos-comunicacao.md (C154), docs/plans/catalogo-falas-solla.md (C153), docs/plans/acervo-busca-semantica.md (C192)
  • Arquivos-pista: src/components/campaign/speech/SpeechAcervoFilters.tsx, src/components/campaign/shared/CampaignHeaderFilterPopover.tsx, src/utilities/speech/speechListUrl.ts, src/utilities/speech/speechImport.ts, src/collections/SpeechSegment.ts, src/utilities/ai/deepInfraTranscribe.ts
  • AGENTS.md — RBAC de /campanha, acervo interno, LGPD/consentimento fail-closed