Como o celular transforma fala em texto: Transcrição Instantânea, legendas e ditado
O caminho da voz até as letras na tela, por que sotaque e barulho atrapalham e três recursos que usam essa tecnologia no Android: a Transcrição Instantânea, a Legenda Instantânea e o ditado do teclado.
Você fala e as palavras aparecem na tela quase ao mesmo tempo. O ditado do teclado, as legendas automáticas de vídeos e os apps que transcrevem conversas em tempo real parecem simples de usar, mas por trás existe um dos problemas mais difíceis que a computação resolveu nas últimas décadas: entender a fala humana.
Este artigo explica, sem matemática, como o celular transforma voz em texto, por que ele erra mais em certas situações e como aproveitar três recursos do Android que usam essa tecnologia, incluindo um criado para pessoas surdas ou com perda auditiva.
Por que entender a fala é difícil
Para uma pessoa, ouvir uma frase e entender as palavras parece automático. Para um computador, o som que chega ao microfone é só uma onda de pressão que sobe e desce milhares de vezes por segundo. Nessa onda, as palavras não vêm separadas por espaços. Na fala natural, emendamos uma palavra na outra, engolimos sílabas e mudamos o som conforme o sotaque.
Some a isso o barulho do ambiente, a diferença entre vozes graves e agudas, a velocidade de cada pessoa e as palavras que soam iguais e se escrevem diferente, como “concerto” e “conserto”. O computador precisa lidar com tudo ao mesmo tempo.
O caminho da voz até o texto
Os sistemas modernos de reconhecimento de fala seguem, de forma simplificada, estas etapas.
1. Captar e limpar o som
O microfone grava a voz, e o celular aplica filtros para reduzir ruído e eco. Muitos celulares têm mais de um microfone justamente para separar a voz de quem fala do barulho em volta.
2. Transformar o som em características
O áudio é cortado em pedaços muito curtos, de alguns centésimos de segundo, e cada pedaço é convertido num resumo das frequências presentes. É parecido com o espectrograma usado no reconhecimento de músicas: uma representação do som que destaca o que é útil para identificar os sons da fala.
3. Uma rede neural transforma características em texto
Uma rede neural, treinada com uma quantidade enorme de gravações de fala acompanhadas do texto correto, recebe essa sequência e produz as letras ou palavras mais prováveis. Nos sistemas antigos, havia etapas separadas para reconhecer sons, formar palavras e montar frases. Nos atuais, uma única rede costuma fazer quase tudo.
4. O contexto corrige as dúvidas
Quando um trecho pode ser duas palavras diferentes, o sistema usa o contexto da frase para escolher. “Vou levar o carro para o conserto” e “vou ao concerto de sábado” soam parecidos, mas o resto da frase mostra qual palavra faz sentido. É por isso que o texto às vezes muda na tela depois que você termina a frase: o sistema revisa as escolhas com mais contexto.
No aparelho ou na nuvem
O reconhecimento de fala pode acontecer em dois lugares. Na nuvem, o áudio é enviado para os servidores da empresa, que usam modelos maiores. No aparelho, um modelo menor roda no próprio celular, sem enviar o áudio.
Com o avanço dos processadores dos celulares, cada vez mais recursos funcionam no aparelho, pelo menos para alguns idiomas. Isso traz duas vantagens: funciona sem internet e o áudio não sai do celular. A desvantagem é que o modelo local pode ser um pouco menos preciso em vocabulário incomum.
Transcrição Instantânea
A Transcrição Instantânea é um recurso de acessibilidade do Google, criado para tornar conversas do dia a dia mais acessíveis para pessoas surdas ou com perda auditiva. Ela mostra na tela, em tempo real, o que as pessoas em volta estão falando.
O mesmo app traz as Notificações de Sons, que avisam quando o celular detecta sons importantes em casa, como um alarme de fumaça tocando, a campainha ou um bebê chorando.
Como ativar, segundo a descrição do app:
- Abra as Configurações do Android.
- Toque em Acessibilidade.
- Toque em Transcrição Instantânea ou em Notificações de Sons.
- Ative o atalho, se quiser abrir o recurso rapidamente pelo botão de acessibilidade ou pelas configurações rápidas.
Além do uso por pessoas com perda auditiva, a transcrição ajuda em outras situações: acompanhar uma conversa num lugar muito barulhento, conversar com alguém que tem dificuldade de fala ou registrar rapidamente o que foi dito numa explicação.
Legenda Instantânea
A Legenda Instantânea cria legendas para qualquer áudio que toca no celular: vídeos, podcasts, mensagens de voz e chamadas, em alguns aparelhos. As legendas aparecem numa caixa que você pode mover pela tela. O reconhecimento acontece no próprio aparelho.
Ela fica em Configurações, Acessibilidade, com o nome de Legenda Instantânea, ou aparece no controle de volume, num ícone de legenda. Os idiomas disponíveis variam conforme o aparelho e a versão do Android, e o português pode não estar disponível em todos os modelos.
Para quem assiste vídeos no ônibus sem fone ou quer ouvir mensagens de voz numa reunião, é um recurso muito prático.
Ditado no teclado
O ditado por voz do teclado usa a mesma tecnologia para escrever mensagens. No Gboard, basta tocar no ícone de microfone na barra do teclado e falar.
Dicas para um ditado melhor:
- Fale a pontuação. Dizer “vírgula”, “ponto final” e “ponto de interrogação” insere os sinais, em muitos idiomas, incluindo o português.
- Fale em ritmo natural. Falar devagar demais, separando as sílabas, costuma piorar o resultado.
- Aproxime o celular da boca em lugares barulhentos.
- Revise antes de enviar. Nomes próprios e palavras parecidas são os erros mais comuns.
Para reuniões em inglês: Otter
Apps de transcrição de reuniões gravam, transcrevem e resumem conversas longas. O Otter é um dos mais conhecidos, mas vale uma ressalva importante: segundo a descrição na loja, ele funciona apenas em inglês, espanhol e francês. Para reuniões em português, não serve. A maior parte dos recursos fica na assinatura.
Quando a transcrição erra mais
| Situação | Por que atrapalha |
|---|---|
| Várias pessoas falando juntas | As vozes se misturam no mesmo áudio |
| Barulho alto e constante | O ruído encobre os sons da fala |
| Sotaques pouco representados | O modelo ouviu menos exemplos daquela forma de falar |
| Nomes próprios e termos técnicos | Palavras raras têm menos chance de ser escolhidas |
| Microfone longe de quem fala | O som chega fraco e com eco |
| Palavras que soam iguais | O contexto nem sempre desfaz a dúvida |
Cuidados com privacidade e consentimento
Transcrever uma conversa é, na prática, registrar o que outras pessoas disseram. Avise quem está participando antes de transcrever uma reunião ou uma conversa, e guarde as transcrições com o mesmo cuidado que teria com uma gravação.
Também vale conferir nas configurações de cada recurso se o áudio é processado no aparelho ou enviado para a nuvem, principalmente em conversas com informações sensíveis.
Perguntas frequentes
A transcrição funciona sem internet?
Depende do recurso, do aparelho e do idioma. A Legenda Instantânea funciona no aparelho. A Transcrição Instantânea e o ditado do teclado podem funcionar offline em alguns aparelhos e idiomas e precisar de internet em outros.
Dá para salvar a transcrição?
A Transcrição Instantânea permite manter o texto por um período e copiar trechos, conforme as configurações. Apps de reunião, como o Otter, salvam as transcrições na conta.
A transcrição substitui um intérprete de Libras?
Não. A Libras é uma língua própria, com gramática diferente do português, e muitas pessoas surdas têm a Libras como primeira língua. A transcrição em texto é uma ferramenta útil, mas não substitui a interpretação em Libras quando ela é necessária.