Transcrição errada? O problema quase sempre é o áudio

Você transcreveu uma reunião de 40 minutos e o texto saiu cheio de buracos. Nomes trocados, frases cortadas, trechos que não fazem sentido. A reação natural é culpar a ferramenta — e às vezes a culpa é dela. Mas, na maioria dos casos, o erro que você vê no texto nasceu antes: no áudio que chegou até o modelo.

Reconhecimento de fala tem uma característica incômoda. Ele não tem contexto de sobra para desempatar o que ouviu. Uma pessoa que perde uma sílaba no meio de uma conversa recompõe pelo assunto, pelo rosto de quem falou, pelo que foi dito antes. O modelo tem só a onda sonora. Se parte dela não está lá, não existe inferência que devolva a palavra certa.

É por isso que investir em gravação rende mais do que trocar de ferramenta.

O erro que você vê no texto nasceu no áudio

Existe um experimento mental simples. Pegue o trecho problemático da sua transcrição e ouça os 10 segundos correspondentes. Em quase todo caso você vai ouvir exatamente o mesmo problema: alguém falando longe do microfone, duas pessoas se sobrepondo, um ventilador no fundo, o celular batendo na mesa.

O modelo acertou o que dava para ouvir. Ele transcreveu com fidelidade um áudio que já era ambíguo.

Isso muda a pergunta. Em vez de “qual é a melhor ferramenta de transcrição?”, a pergunta útil é “como eu entrego um áudio que não precise de adivinhação?”.

Os quatro fatores que decidem a transcrição

Não são dezenas de variáveis. São quatro, e todas são mais previsíveis do que parecem.

A ordem importa. Você pode compensar um nome próprio errado lendo a transcrição com atenção. Você não consegue compensar uma frase que nunca foi capturada.

O que o áudio limpo compra

O número que resume tudo isso é a taxa de erro por palavra (WER, na sigla em inglês): a fração de palavras que o sistema erra em relação ao que foi realmente dito.

O trabalho fundador do Deep Speech 2 (Amodei et al., 2016) treinou o mesmo modelo em volumes diferentes de áudio e mediu o resultado. Mesmo nos trechos sem ruído, o erro por palavra caiu de aproximadamente 29% com 120 horas de treino para cerca de 8,5% com 12 mil horas. Nos trechos com ruído, a mesma curva ficou entre aproximadamente 51% e 14%. O total de dados melhorou os dois casos quase proporcionalmente — mas a distância entre eles nunca fechou. Sob ruído, o erro ficou na casa de 60% maior, de forma consistente.

O detalhe que interessa para quem grava reunião está em outra tabela do mesmo trabalho. Em inglês americano sem ruído, o erro ficou em torno de 8%. Em amostras com sotaque indiano, passou de 20%. Nos trechos com ruído real do corpus CHiME, 21,6%. Nos trechos com ruído simulado, 42,5%.

Traduzindo: o mesmo sistema, no mesmo idioma, errando cinco vezes mais dependendo de como o áudio foi capturado. A variável não foi a inteligência do modelo. Foi o microfone e a sala.

Ruído: o que dá para resolver no software e o que não dá

Boa parte do ruído que sobra na transcrição é resolvida depois — filtros, supressão de ruído estacionário, normalização de volume. Isso está embutido na maioria das ferramentas sérias, incluindo o Sintesy.

O problema é o que não é resolvido.

Uma fala sobreposta é informação que se perdeu. Nenhum filtro separa duas vozes que viraram uma só onda.

Amodei e outros pesquisadores da área são explícitos nesse ponto. Awni Hannun, um dos autores do Deep Speech 2, escreveu em 2017 um texto chamado justamente “Speech Recognition Is Not Solved”: muitos dos avanços em fala conversacional vinham de bases onde cada participante tinha seu próprio microfone, sem sobreposição de vozes. Em áudio de campo distante, com várias pessoas no mesmo canal, a separação ainda é um problema aberto.

É a mesma razão pela qual ligações telefônicas transcrevem melhor do que uma sala de reunião: um microfone por pessoa. Distância menor, sobreposição zero.

O que você controla em 30 segundos

Nada disso exige equipamento caro. Exige três decisões antes de apertar o botão de gravar.

Aproxime a fonte. Um celular a 30 centímetros da boca erra muito menos do que um notebook no canto de uma sala de vidro. Se a reunião é presencial com várias pessoas, um gravador no centro da mesa é melhor do que o celular de quem está sentado na ponta. Se for só a sua voz — uma aula, uma ideia, um recado —, grave perto e não se preocupe com o resto.

Desligue o que faz barulho. Ar-condicionado, janela aberta, notificação, ventoinha. Ruído constante é justamente o que os filtros removem melhor, mas remover não é o mesmo que nunca ter existido. Cada camada a menos melhora o resultado de tudo que vem depois.

Evite fala sobreposta. Isso é organização, não técnica. Numa reunião grande, dar a palavra — e esperar a resposta terminar antes de começar a sua. Parece um conselho de etiqueta, mas é o fator de qualidade mais subestimado. Nenhum software devolve o que duas vozes apagaram juntas.

Vale lembrar que essas orientações servem para quem grava. Se você recebe um áudio pronto — um cliente, um aluno, um colega —, o áudio é o que é. Nesse caso o ajuste vem depois, na leitura.

As palavras que continuam errando mesmo com áudio bom

Tem uma classe de erro que sobrevive a qualquer melhora de gravação: aquela em que a única forma de acertar seria saber do que a conversa estava falando.

Nomes próprios, sobretudo. “Marcelo” e “Marcela” são sons quase idênticos. O nome de uma empresa que o modelo nunca viu, uma sigla interna, o apelido de um projeto. Na cabine acústica perfeita, com o áudio mais limpo possível, essas palavras continuam sendo apostas.

Entra também o vocabulário de domínio. Um estudante de medicina ditando um termo anatômico, um advogado citando o nome de um processo, um time de engenharia falando de um serviço com nome interno. A pesquisa de fala sempre tratou isso como um problema de contexto, não de acústica: quem transcreve bem em português acerta melhor nomes brasileiros porque conhece a lista de nomes brasileiros.

O que isso muda na prática é onde você coloca a atenção depois de transcrever. Nos trechos de conteúdo — argumentos, decisões, explicações — o texto tende a estar confiável. Nos nomes e siglas, vale conferir. E vale usar o próprio material: se você já transcreveu cinco aulas do mesmo professor, aquela transcrição é o melhor dicionário que existe daquele vocabulário.

Faxina: relendo a transcrição em vez de confiar na estatística

Uma armadilha comum é tratar a taxa de erro como um selo. “A ferramenta tem 98% de precisão, então está tudo certo.”

Não está. O próprio Hannun dá o exemplo que desmonta essa confiança: com 5% de erro por palavra e frases de 20 palavras, a chance de pelo menos uma palavra sair errada em cada frase é praticamente total. O texto parece bom, está legível, e ainda assim pode ter um erro em cada frase.

Pior: nem todo erro pesa igual. Trocar “terça” por “hoje” muda a decisão da reunião. Tirar um “para” não muda nada. Por isso a revisão não deve ser uma passada uniforme em tudo — ela deve seguir o que você vai fazer com o texto.

Se a transcrição vai embasar uma decisão, confira números, datas e nomes. Se vai virar material de estudo, confira os termos técnicos. Se vai virar resumo para o time, confira os itens de ação. O resto é leitura rápida.

Como fazer isso no Sintesy

O trabalho de qualidade acontece em duas pontas, e o Sintesy tenta cobrir as duas.

Na captura, a gravação nativa foi pensada justamente para pegar voz a uma distância razoável — a ideia é que quem fala não precise colar na boca do celular, o que ajuda em mesa de reunião e sala de aula. Ruído de fundo estacionário é filtrado antes do processamento.

Na organização, o ganho real aparece quando você para de tratar a transcrição como um bloco único de texto. Uma síntese no Sintesy abre o mesmo material em vários formatos: a transcrição completa pesquisável, o resumo estruturado, o mapa mental e o checklist. Em vez de auditar as milhares de palavras do texto corrido, você olha o resumo primeiro — se um nome ou um número está errado ali, ele provavelmente está errado na transcrição, e você acha a origem pela busca.

E há o efeito acumulado. Depois de transcrever alguns materiais do mesmo assunto, da mesma pessoa ou do mesmo time, perguntar ao chat sobre o material novo fica mais fácil do que ler a transcrição inteira. Você já tem a referência do vocabulário e do contexto, que é exatamente onde o erro se esconde.

Antes de culpar a ferramenta

Vale um último corte de caminho, porque ele economiza uma assinatura nova e uma migração inteira.

Ouça 10 segundos do áudio original no trecho em que o texto falhou. Se ali já havia duas vozes ao mesmo tempo, eco da sala ou a fala chegando baixa e distante, você encontrou a causa — e ela está mais perto de como você grava do que de onde você transcreve.

Se você quer o passo a passo completo de captura e transcrição, tem um guia dedicado aqui: Como transcrever áudio com IA: guia completo. E se o áudio que você quer melhorar é de uma reunião presencial gravada no celular, o fluxo específico está em como transcrever reunião presencial gravada no celular.

Áudio limpo não é preciosismo técnico. É a diferença entre ter um registro para conferir e ter um registro em que você pode confiar sem checar.