Conversão de fala em texto

A captura de áudio transforma o som numa sequência de amostras. A extração de características converte essas amostras numa representação que o modelo consegue ler, geralmente um espectrograma. O modelo de reconhecimento mapeia essa representação para texto, às vezes passando por uma etapa intermediária de fonemas ou de tokens de subpalavras. O pós-processamento transforma a saída do modelo em algo que uma pessoa escreveria: pontuação, maiúsculas, números em algarismos e, nas melhores ferramentas, remoção de vícios de fala e ajuste de tom.

Quando dizem que uma ferramenta “usa IA”, quase sempre estão falando da terceira etapa. A quarta é onde está a maior parte da qualidade no uso diário, e é a etapa que o marketing costuma pular.

A STT na nuvem envia o áudio para um servidor, roda um modelo grande lá e devolve o texto. Ela pode usar modelos grandes demais para um notebook e funciona em qualquer dispositivo com rede. A STT no dispositivo roda o modelo no seu próprio hardware, então o áudio nunca sai da máquina, funciona offline e não há ida e volta. No Apple silicon, a diferença de precisão diminuiu a ponto de a escolha ser muito mais sobre privacidade e custo do que sobre qualidade.

“Conversão de fala em texto” numa ficha técnica geralmente quer dizer o modelo bruto. “Ditado” quer dizer a experiência inteira, incluindo onde o texto vai parar. “Transcrição” quer dizer arquivos. “Streaming” quer dizer que as palavras aparecem enquanto você fala, e não depois. “Local” ou “no dispositivo” quer dizer que o áudio fica em casa. Saber que etapa cada palavra descreve é quase tudo de que você precisa para ler uma comparação com olhar crítico.

Todo Mac tem conversão de fala em texto integrada. A Apple chama isso de Ditado, e ele digita em qualquer campo de texto onde o cursor estiver. Você configura em cerca de um minuto.

1. 01 Escolha menu Apple → Ajustes do Sistema e clique em Teclado na barra lateral.
2. 02 Vá até Ditado e ative-o.
3. 03 Clique no menu pop-up ao lado de Fonte do microfone e escolha o microfone que quiser. Automático deixa o Mac ouvir o dispositivo que você provavelmente vai usar.
4. 04 Clique no menu pop-up Atalho e escolha um atalho para iniciar o Ditado. Escolha Personalizar para criar um que não está na lista.
5. 05 Clique em qualquer campo de texto, pressione o atalho e fale.
6. 06 Pare quando terminar. O Ditado também para automaticamente quando nenhuma fala é detectada por 30 segundos.

Depende do áudio mais do que a maioria das pessoas imagina. A NVIDIA publica resultados do seu modelo aberto Parakeet TDT 0.6B v3 em oito conjuntos de teste em inglês, e o mesmo modelo tem uma WER (word error rate, taxa de erro de palavras) de 1,93% em fala lida e limpa (LibriSpeech test-clean) e de 11,31% em gravações de reuniões (AMI).

O ruído também mexe no número. No mesmo model card, a WER média sobe de 6,34% em áudio limpo para 11,66% quando o ruído está tão alto quanto a fala (uma relação sinal-ruído de 0). Um ambiente silencioso e um microfone próximo são a melhoria de precisão mais barata que você pode fazer.

• Tipo de fala: frases lidas são mais fáceis que uma reunião com pessoas falando umas por cima das outras.
• Ruído de fundo e música: as taxas de erro sobem à medida que o ruído se aproxima do volume da sua voz.
• Sotaque e dialeto: o model card do Whisper relata desempenho diferente entre sotaques e dialetos.
• Idioma: o model card do Whisper relata precisão menor em idiomas com menos dados de treinamento.
• Vocabulário: o model card do Parakeet avisa que uma palavra fora do vocabulário do modelo provavelmente não será reconhecida.

A conversão de fala em texto é processada no seu dispositivo ou enviada a um servidor, e normalmente dá para descobrir qual dos dois. Para o Ditado da Apple, a resposta está escrita nos Ajustes. Para qualquer outra ferramenta, a lista de permissões mostra quais apps podem ouvir o microfone.

1. 01 Escolha menu Apple → Ajustes do Sistema e clique em Teclado na barra lateral.
2. 02 Vá até Ditado e leia o texto abaixo da chave do Ditado. Ele diz se a sua entrada de voz e as transcrições são processadas no seu dispositivo.
3. 03 Vá em Ajustes do Sistema → Privacidade e Segurança → Microfone para ver todos os apps que pediram para usar o microfone.
4. 04 Desative nessa lista qualquer app que você não quer que fique ouvindo.
5. 05 Para uma ferramenta de terceiros, leia a política de privacidade dela para saber onde o áudio é processado. A lista de Microfone mostra quem pode ouvir, não para onde o áudio vai.