Transformar áudio e vídeo em texto que você realmente consegue usar
A qualidade da gravação decide a qualidade da transcrição mais do que o modelo. Como preparar um arquivo, que precisão esperar e por que entrevistas e reuniões não deveriam ir para o servidor de um desconhecido.
Atualizado em 24 de agosto de 20267 min de leitura
O reconhecimento de fala ficou tão bom que raramente é o modelo o fator limitante hoje. O que limita uma transcrição agora é a gravação: a que distância o microfone estava de quem falava, o quanto a sala ecoava, se duas pessoas falavam ao mesmo tempo. Dê a um reconhecedor moderno uma gravação limpa e você obtém algo quase publicável. Dê a ele um celular sobre a mesa de uma sala de reunião e nenhum software resgata isso.
De que a precisão realmente depende
A precisão de uma transcrição costuma ser expressa como taxa de erro por palavra — a proporção de palavras inseridas, apagadas ou trocadas. Um bom resultado com fala limpa fica abaixo de 5%, mais ou menos um erro a cada duas frases, fácil de corrigir lendo. Acima de uns 20%, corrigir a transcrição leva mais tempo do que redigitá-la, e o que interessa é saber quais condições empurram você para além dessa linha.
| Condição | Efeito | O que fazer a respeito |
|---|---|---|
| Microfone perto de quem fala | Melhor caso, abaixo de 5% | Nada — este é o objetivo |
| Celular sobre a mesa, a dois metros | Visivelmente pior | Aproxime da próxima vez; é a maior alavanca |
| Sala com eco, superfícies duras | Grave — a reverberação borra as fronteiras das palavras | Tecidos macios, ou gravar mais perto |
| Zumbido de fundo constante | Moderado | A redução de ruído ajuda bastante aqui |
| Duas pessoas falando ao mesmo tempo | As duas se perdem | Sem conserto depois do fato |
| Sotaque forte ou fala rápida | Um pouco pior | Espere mais erros em nomes e termos técnicos |
| Música por baixo da fala | Ruim | Sem conserto numa gravação já mixada |
Repare quantas dessas linhas são decisões tomadas antes de a gravação existir. Transcrição é uma das poucas tarefas em que cinco segundos de preparação vencem qualquer quantidade de processamento posterior, e essa preparação quase sempre é: ponha o microfone mais perto da boca.
Preparar um arquivo para que ele transcreva bem
Tire o áudio do vídeo
Se a sua origem é uma gravação de tela ou uma entrevista filmada, extraia primeiro a trilha de áudio. Escolha o formato que a ferramenta marca como cópia sem perdas — normalmente M4A para um MP4 — e a trilha é copiada sem recodificação; trabalhar com um arquivo de áudio de 30 MB em vez de um vídeo de 2 GB acelera tudo o que vem depois. O plano gratuito aceita vídeos de até 300 MB e extrai até uma hora de áudio; o Pro remove esses limites para MP4, MOV, WebM e MKV.
Limpe o ruído de fundo constante
Ar-condicionado, ventiladores de computador e o ronco do trânsito são constantes, que é justamente o tipo de ruído que a redução de ruído remove bem. Use um ajuste leve — a redução agressiva come consoantes, e são as consoantes que o reconhecedor usa.
Corte as partes sem fala
Dez minutos de conversa de preparo antes de a entrevista começar são dez minutos de processamento desnecessário. O removedor de silêncio encolhe as pausas longas, e cortar o começo e o fim na mão leva segundos.
Divida o que for muito longo
Gravações longas funcionam no Pro (o plano gratuito cobre 10 minutos por arquivo), mas uma falha a dois terços do caminho custa tudo. Dividir um arquivo longo em trechos de quinze ou vinte minutos torna o trabalho retomável e mais fácil de revisar contra o áudio.
Transcreva e depois leia uma vez com o áudio
Não revise o texto sozinho. Toque a gravação a 1,5× enquanto lê a transcrição: erros que parecem plausíveis na página ficam óbvios quando você ouve o que foi realmente dito.
O que o modelo vai errar
Os erros do reconhecimento moderno não são aleatórios — são confiantes, gramaticais e plausíveis, o que os torna mais difíceis de achar do que a saída embaralhada dos sistemas antigos. Conhecer as categorias diz onde olhar.
- Nomes próprios. Nomes de pessoas, empresas e produtos são de longe os erros mais frequentes, porque são palavras raras que o modelo tem pouco motivo para preferir. Monte uma lista dos nomes que aparecem na gravação e procure por eles depois.
- Homófonos em contexto. *Mas*, *mais*; *sessão*, *seção*, *cessão*; *conserto*, *concerto*. Todos gramaticais, todos silenciosamente errados.
- Números e unidades. Cifras ditas rápido costumam virar palavras, ou outro número completamente. Tudo que for financeiro ou médico precisa ser conferido direto no áudio.
- Atribuição de falantes. Quando a transcrição separa falantes, as fronteiras derivam depois de interrupções e podem trocar duas pessoas ao longo de um trecho inteiro.
- Fluência inventada. Reconhecedores treinados em texto escrito tendem a arrumar a fala, cortando falsos começos e correções. Costuma ser bem-vindo, e ocasionalmente é um problema quando as palavras exatas importam.
- Frases alucinadas no silêncio. Trechos longos em silêncio ou com música podem gerar frases plausíveis que nunca foram ditas. Corte-os antes.
Por que isso não deveria ser um envio
Pense no que costuma ser transcrito. Entrevistas com fontes. Consultas médicas. Ligações jurídicas. Reuniões de conselho. Sessões de terapia. Conversas de pesquisa sob uma aprovação ética que especifica onde os dados podem ser guardados. A categoria de áudio que as pessoas querem transcrever coincide quase exatamente com a categoria de áudio que não deveria ser entregue a terceiros.
O serviço de transcrição online padrão envia a sua gravação, processa em infraestrutura compartilhada e devolve texto. A gravação fica no armazenamento deles sob uma política de retenção que você não negociou, pode ser usada para melhorar os modelos deles conforme o que você aceitou, e está sujeita ao processo legal do lugar onde ficam os servidores. Para boa parte das gravações profissionais, só isso já torna a ferramenta inutilizável, por mais precisa que seja.
Quando você transcreve um arquivo, a ferramenta de voz para texto daqui roda o modelo de reconhecimento na sua própria máquina: a gravação é processada no seu dispositivo, não nos nossos servidores, e a transcrição fica com você. Isso também elimina por completo a espera do envio — uma gravação de duas horas começa a ser processada na hora em vez de depois de vinte minutos de transferência (grátis: até 10 minutos e 50 MB por arquivo; Pro: o quanto o seu dispositivo aguentar) — e, depois que o modelo é baixado pela primeira vez, a transcrição de arquivos continua funcionando sem conexão. O ditado ao vivo pelo microfone funciona de outro jeito: ele usa o serviço de fala do seu dispositivo, que pode rodar na nuvem, e a ferramenta indica em cada sessão se ela está rodando no dispositivo ou na nuvem.
Transcrição de arquivos rodando no seu dispositivo, não nos nossos servidores — sem espera de envio, sem cópia no servidor, sem política de retenção para ler.
Transcrever uma gravaçãoTransformar uma transcrição bruta em algo útil
A saída bruta de uma transcrição é um paredão de texto: sem parágrafos, com pontuação irregular e cada *ãhn* fielmente preservado. O que fazer em seguida depende do destino, e os quatro destinos comuns querem coisas bem diferentes.
| Finalidade | O que manter | O que cortar |
|---|---|---|
| Legendas | Tudo, com marcações de tempo | Nada — a fidelidade ao que foi dito importa |
| Citação num artigo | As palavras exatas, conferidas no áudio | Nada, mas marque qualquer supressão com honestidade |
| Ata de reunião | Decisões, tarefas, números | Quase tudo — aqui a tarefa é resumir |
| Post de blog a partir de uma palestra | Estrutura e argumento | Vícios de linguagem, repetição, sintaxe falada |
| Arquivo pesquisável | O texto completo como está | Nada; texto imperfeito continua pesquisável |
Para a arrumação em si, o aparador de texto remove espaços soltos e linhas em branco de uma vez, e o contador de palavras diz com o que você está lidando — uma hora de conversa costuma dar de oito a dez mil palavras, algo útil de saber antes de prometer a alguém um resumo de duas páginas.
Um hábito que vale copiar da transcrição profissional: guarde a saída bruta como arquivo separado e edite uma cópia. Depois que vícios e falsos começos são removidos, eles não voltam sem recorrer ao áudio, e o momento em que você precisa da formulação original exata chega invariavelmente depois de tê-la limpado.
Perguntas frequentes
Qual a precisão da transcrição automática?
Numa gravação limpa com o microfone perto de quem fala, o reconhecimento moderno costuma errar menos de uma palavra em vinte, o que se corrige rápido lendo. Distância do microfone, eco da sala e falantes sobrepostos degradam isso bastante, e nenhum software recupera o que uma gravação ruim nunca captou com clareza.
Posso transcrever um vídeo diretamente?
Pode, embora seja mais rápido extrair antes a trilha de áudio. A extração é rápida — e sem perdas quando você mantém o formato original da trilha — e transforma um vídeo grande num arquivo de áudio modesto, o que torna limpar, dividir e transcrever consideravelmente mais rápido depois.
É seguro transcrever gravações confidenciais online?
Só se o processamento acontecer no seu próprio dispositivo. Um serviço que envia o áudio tem uma cópia dele, sujeita à política de retenção e à jurisdição dele, o que descarta a maioria das gravações profissionais — entrevistas, consultas, ligações jurídicas. Uma transcrição que roda localmente nunca envia o arquivo a lugar algum, então não há o que reter.
Por que a transcrição erra os nomes?
Nomes próprios são a categoria mais difícil para qualquer reconhecedor, porque são raros e o modelo não tem motivo contextual para preferir uma grafia incomum a uma palavra comum de som parecido. A correção eficiente é listar os nomes que aparecem na gravação e procurar as quase coincidências depois, em vez de ficar caçando na leitura.