Como converter áudio em texto: métodos grátis e dicas de precisão

Um mecanismo de transcrição nunca ouve as palavras como você. Ele divide a forma de onda em quadros sobrepostos de cerca de 25 milissegundos e transforma cada fatia em um espectrograma, um mapa de quais frequências estão fortes naquele instante. O modelo acústico analisa esse mapa e estima quais sons de fala estão presentes: o chiado de um s, a explosão de um t, os formatos de vogal que distinguem ship de sheep. Sozinho, isso gera uma sequência de sons prováveis, não um texto legível.

O modelo de linguagem corrige boa parte disso. Ele sabe quais sequências de palavras são prováveis em frases reais; assim, quando os sons podem ser recognize speech ou wreck a nice beach, o contexto decide. Sistemas mais antigos mantinham essas duas partes separadas e as treinavam com material limitado e lido com cuidado, por isso os programas de ditado dos anos 2010 tropeçavam em sotaques e conversa informal.

Em setembro de 2022, a OpenAI lançou o Whisper, um modelo aberto treinado com cerca de 680.000 horas de áudio multilíngue coletado da web. Ele reúne as partes acústica e de linguagem em uma só rede, que lê janelas de 30 segundos e escreve o texto já com pontuação. Modelos dessa família tornaram muito mais utilizáveis a fala com sotaque, o vocabulário misto e as gravações bagunçadas do mundo real, e a maioria dos serviços gratuitos de transcrição hoje, inclusive ferramentas no navegador, usa algo parecido. Mesmo assim, eles ainda chutam e, quando o áudio está confuso, chutam com fluência, o que torna os erros mais difíceis de notar.

A precisão costuma ser medida pela taxa de erro de palavras: a proporção de palavras trocadas, omitidas ou inventadas em comparação com uma transcrição humana cuidadosa. Uma taxa de erro de 5% significa um erro a cada vinte palavras, o que parece pouco até você notar que os erros se concentram nas palavras que importam, como um sobrenome, um código de produto ou um valor em uma discussão de orçamento.

Os fatores abaixo estão listados aproximadamente na ordem do estrago que causam. Repare que quase todos são definidos na hora da gravação, não da transcrição. Mover o celular do meio da mesa para perto de quem fala, a um braço de distância, costuma ajudar mais do que qualquer configuração que você possa mudar depois.

A maioria das gravações pode ser enviada exatamente como está. A preparação compensa em três situações: o arquivo é longo ou grande demais, a fala está enterrada sob silêncio ou música, ou o volume é tão baixo que você precisa aumentar tudo para ouvir. Um trecho longo de silêncio no início é mais do que tempo perdido, porque a detecção automática define o idioma pelos primeiros 30 segundos e pode se basear no ruído da sala ou em uma vinheta de abertura. Cortar a gravação para ficar só com a parte falada, ou definir Início para pular esse trecho, evita o problema.

Converter o formato raramente é necessário. Os Gravadores de Voz do iPhone geram M4A (áudio AAC), gravadores do Android geram M4A, AAC ou 3GP, e gravadores de chamadas costumam gerar AMR; todos podem ser enviados diretamente. Converter um arquivo comprimido para WAV não devolve o detalhe que se perdeu na gravação, como explica a comparação em nosso guia sobre MP3, WAV, FLAC e AAC, então só converta quando uma ferramenta recusar o formato. Para uma gravação de várias horas, divida-a em pausas naturais, como um intervalo para café ou uma mudança de assunto, para que cada parte fique abaixo do limite de envio e seja mais fácil de revisar.

Escolha a saída conforme o que vem depois. Se você vai ler, citar ou pesquisar a transcrição, texto simples ou Word é o ideal; o Word mantém parágrafos, marcações de tempo e identificação de falantes organizados para edição, e o PDF serve para enviar uma cópia fixa que ninguém deve alterar. Se as palavras vão aparecer na tela sobre um vídeo, você precisa de um arquivo de legenda: SRT ou VTT dividem a fala em trechos curtos, cada um com horário de início e fim, e o comprimento da linha define quanto cabe na tela. Quarenta e dois caracteres por linha é o padrão comum na televisão.

SRT e VTT trazem as mesmas informações, com pequenas diferenças. O SRT, do antigo programa SubRip, numera cada trecho e escreve os tempos com vírgula (00:01:15,000). O WebVTT é o formato do W3C para vídeo HTML5; começa com um cabeçalho WEBVTT, usa ponto nos tempos e permite estilo e posicionamento. YouTube, Vimeo, Premiere Pro e DaVinci Resolve aceitam os dois. O JSON com tempos por palavra é para desenvolvedores que criam busca, destaque estilo karaokê ou o próprio layout de legendas.

Antes de enviar qualquer coisa, veja o que seus próprios aparelhos já fazem. A Apple incluiu transcrições no app Gravador de Voz no iOS 18, então uma gravação feita em um iPhone recente pode mostrar o texto no próprio app. O app Gravador do Google nos celulares Pixel transcreve durante a gravação desde 2019, totalmente no aparelho, e consegue distinguir os falantes. No Microsoft 365, o Word para a web tem um comando Transcrever ao lado de Ditar, que aceita arquivos MP3, M4A, WAV e MP4 enviados, com uma cota mensal de minutos de envio. A digitação por voz do Google Docs (em Ferramentas, no Chrome) só ouve um microfone ao vivo; não lê um arquivo existente.

As plataformas de reunião são outra fonte. Zoom, Microsoft Teams e Google Meet podem gerar a transcrição de uma chamada quando a transcrição está ativada e seu plano ou organização permite, e assistentes como o Otter.ai entram nas reuniões para fazer anotações. São práticos para as chamadas que você promove, mas cada um funciona só dentro do próprio app, exige o consentimento de todos para gravar e exporta nos seus próprios formatos. Para um arquivo que você já tem, como uma entrevista antiga, a gravação de uma aula ou um áudio encaminhado por outra pessoa, um transcritor de arquivos costuma ser o caminho mais simples.

Uma ferramenta no navegador cobre o que as opções nativas deixam de fora: qualquer arquivo de qualquer dispositivo, saídas de legenda e idiomas que seu celular não suporta. No conversor de áudio em texto, adicione o arquivo, deixe Idioma falado em detecção automática ou escolha o idioma, selecione uma Saída e ative Marcações de tempo ou Identificação de falantes se precisar. Os memorandos de voz do iPhone têm a própria página de M4A para texto, e arquivos de podcast ou de gravador têm MP3 para texto; ambas usam o mesmo mecanismo. Cada arquivo pode ter até 95 MB, cerca de uma hora e meia de MP3 a 128 kbps. Para algo mais longo, use Início e Fim para transcrever em partes, ou corte a gravação antes.

Tenha expectativas realistas. Uma única pessoa falando em um bom microfone, em uma sala silenciosa, costuma ter 90–95% de acerto ou mais, muitas vezes bom o bastante para publicar após uma edição leve. Um celular sobre a mesa em um restaurante movimentado, uma teleconferência com falhas ou um debate em que as pessoas se interrompem podem ficar bem abaixo disso, com frases inteiras faltando. A identificação de falantes é confiável quando as vozes são bem diferentes e as pessoas falam por turnos, e confunde duas vozes parecidas com mais frequência do que você imagina.

Revise com o áudio aberto, não só pelo texto, porque os modelos atuais escrevem frases gramaticais mesmo quando estão erradas. Confira todos os nomes próprios, já que o modelo não tem como saber que seu colega escreve Caitlin ou Katelyn. Confira todos os números: fifteen e fifty, datas, preços e porcentagens são fáceis de ouvir errado. Fique atento a homófonos como their/there, affect/effect e complement/compliment, e a trechos de enchimento escritos com confiança onde o áudio estava confuso. As marcações de tempo tornam isso rápido, pois você pode ir direto ao momento exato em que uma linha duvidosa foi dita.

Uma gravação costuma conter mais informações pessoais do que um documento: vozes, nomes, dados de saúde, valores de salário. Antes de enviar, saiba para onde o arquivo vai e por quanto tempo fica. No UltKit, os envios são processados no servidor e excluídos automaticamente 30 minutos após o processamento; não há conta, então nada fica vinculado ao seu nome. O Gravador do Pixel funciona offline, então o áudio nunca sai do celular. Para qualquer coisa coberta por acordo de confidencialidade ou por sigilo médico ou jurídico, verifique antes a política da sua organização; algumas exigem serviços aprovados e contratados.

O suporte a idiomas é amplo, mas desigual. O transcritor cobre 33 idiomas, entre eles inglês, espanhol, francês, alemão, português, árabe, hindi, japonês, coreano, chinês e ucraniano, e os melhores resultados vêm nos idiomas com mais dados de treinamento. A detecção automática escolhe um idioma por arquivo. Se uma reunião alterna entre dois idiomas, transcreva cada trecho separadamente, definindo o idioma manualmente. A transcrição é sempre escrita no idioma que foi falado; a tradução é uma etapa à parte, feita depois, sobre o texto.

A maioria das transcrições que falham se deve a poucas causas, e a solução costuma estar no arquivo ou em uma configuração, não em testar outro serviço. Se o próprio áudio é ruim demais para você acompanhar com conforto, a máquina vai sofrer tanto quanto, e uma transcrição manual curta das passagens principais pode ser mais rápida do que corrigir uma automática longa.