Como funciona realmente o reconhecimento de voz

Fala para o telemóvel e, um segundo depois, as suas palavras aparecem em texto. Hoje parece banal, mas por trás está um dos truques mais notáveis da informática moderna: transformar uma onda de pressão no ar na sequência exata de palavras que quis dizer, apesar dos sotaques, do ruído e do caos habitual da fala humana.

Esta é uma visita guiada, em linguagem simples, a como funciona realmente o reconhecimento de voz com IA: o que acontece entre o som e a frase, porque é que os sistemas atuais deram um salto tão grande com a chegada de modelos do tipo Whisper e porque é que continuam a cometer os erros que cometem. Não é preciso matemática; o objetivo é ter um modelo mental, porque isso ajuda a obter transcrições mais limpas.

Da onda sonora aos números

Tudo começa com a digitalização do som. Um microfone converte as variações de pressão do ar num sinal elétrico, que é amostrado milhares de vezes por segundo e transformado numa longa lista de números: a forma de onda em bruto. Como a forma de onda em bruto é difícil de manusear, o sistema converte-a numa representação mais útil: um espectrograma, basicamente uma imagem do áudio que mostra que frequências estão presentes em cada instante.

Isto é mais importante do que parece. A fala tem estrutura na frequência: vogais, consoantes e entoação deixam padrões característicos. Um espectrograma torna esses padrões visíveis, tal como uma partitura torna visível uma melodia — e «ler» esses padrões é uma tarefa em que as redes neuronais se revelaram extraordinariamente boas.

O método antigo: uma cadeia de especialistas

Durante décadas, o reconhecimento automático de fala (ASR, na sigla inglesa) funcionou como uma linha de montagem de componentes separados. Um modelo acústico fazia corresponder fatias do espectrograma a fonemas, as unidades sonoras básicas de uma língua. Um dicionário de pronúncia associava sequências de fonemas a palavras candidatas. Depois, um modelo de linguagem ordenava as sequências de palavras mais plausíveis, para que «vou cozer o arroz» vencesse «vou coser o arroz», mesmo soando praticamente iguais.

Esta cadeia funcionava, mas era frágil. Cada componente era construído e afinado à parte, os erros iam-se acumulando ao longo da linha, e dar suporte a uma nova língua ou a um novo sotaque obrigava a refazer várias peças. Se se lembra de programas de ditado que exigiam uma hora de treino com a sua voz, essa foi a era da cadeia de componentes.

O método novo: um único grande modelo, de ponta a ponta

Os sistemas modernos — o Whisper é o exemplo aberto mais conhecido — reduziram a linha de montagem a uma única rede neuronal treinada de ponta a ponta. O modelo recebe o espectrograma de um lado e devolve texto do outro, aprendendo acústica, vocabulário e gramática em conjunto a partir de enormes quantidades de áudio emparelhado com transcrições. Centenas de milhares de horas de fala, em muitas línguas, em condições reais e desarrumadas.

Em termos de arquitetura, são modelos transformer, a mesma família que está por trás da IA de linguagem atual. A intuição: um codificador digere o áudio numa representação interna rica, e um descodificador escreve a transcrição um token de cada vez, olhando a cada passo tanto para o áudio como para as palavras que já escreveu. Na prática, o modelo está ao mesmo tempo a ouvir e a prever o que uma transcrição plausível dirá a seguir — e é precisamente por isso que lida com o ruído e a ambiguidade muito melhor do que a antiga cadeia. Quando uma palavra fica meio tapada por uma tosse, o sentido de contexto do modelo preenche a lacuna, tal como faria um ouvinte humano.

O treino com áudio real, desarrumado e multilingue é também a razão pela qual as ferramentas atuais lidam com sotaques, ruído de fundo e fala descontraída sem precisarem de treino por utilizador. A diversidade que antes fazia a cadeia falhar é agora a sua dieta de treino.

O que acontece quando carrega um ficheiro

Juntando tudo, este é o percurso da sua gravação dentro de uma ferramenta de transcrição moderna:

1. Descodificação e preparação. O seu MP3, MP4 ou WAV é descodificado numa forma de onda normalizada, e os ficheiros muito longos são divididos em segmentos que o modelo consegue processar.

2. Extração de características. Cada segmento é convertido num espectrograma, a imagem de frequências que o modelo lê.

3. Reconhecimento. A rede neuronal transcreve cada segmento, usando o contexto para transformar sons ambíguos nas palavras mais prováveis, e acrescenta pontuação e maiúsculas.

4. Marcas temporais. O sistema alinha as palavras com os momentos do áudio, o que lhe permite mais tarde clicar numa frase e ouvir exatamente esse segundo.

5. Identificação de oradores. Em paralelo, um processo complementar cria uma impressão de cada voz e agrupa-as, para que as falas possam ser atribuídas ao Orador 1, ao Orador 2 e assim por diante.

6. Montagem. Os segmentos voltam a ser unidos numa única transcrição coerente, com marcas temporais e identificação de oradores, pronta para editar, traduzir ou gerar conteúdos.

Todo este processo demora normalmente poucos minutos para uma hora de áudio: o modelo trabalha muito mais depressa do que o tempo real.

Porque é que ainda erra (e porque é que os erros são assim)

Perceber o mecanismo explica os erros típicos:

• O modelo prevê texto plausível: quando o áudio não é claro, arrisca algo fluente em vez de deixar um buraco. Os erros leem-se com naturalidade, e é por isso que passam despercebidos e justificam uma revisão.

• As palavras raras perdem para as comuns. O nome de um produto ou um apelido invulgar que o modelo raramente viu é substituído por uma palavra frequente parecida. É por isso que nomes e jargão são a primeira coisa a verificar.

• As vozes sobrepostas quebram o pressuposto de uma voz de cada vez — o espectrograma contém, literalmente, dois padrões ao mesmo tempo.

• O ruído apaga provas. O modelo consegue inferir através de ruído moderado, mas não recupera frequências que nunca chegaram ao microfone.

• As línguas com menos recursos têm dados de treino mais escassos, por isso a precisão varia de língua para língua, mesmo dentro do mesmo modelo.

O lado prático disto: tudo o que ajuda o modelo — áudio limpo, microfones próximos, uma pessoa a falar de cada vez, nomes bem articulados — decorre diretamente deste mecanismo. Os bons hábitos de gravação não são superstição; são a forma de dar ao modelo as provas de que precisa.

E a tradução e os resumos?

Quando a fala passa a texto, entra em jogo o resto da IA de linguagem moderna. Os modelos multilingues conseguem transcrever dezenas de línguas, e a tradução transforma uma transcrição numa língua num documento legível noutra. O resumo e a criação de conteúdos são tarefas de modelos de linguagem que se somam por cima: a transcrição torna-se a matéria-prima para atas de reunião, notas do episódio, um rascunho de artigo para o blog ou publicações para redes sociais.

É essa a razão discreta pela qual as ferramentas de transcrição se tornaram ferramentas de conteúdo: a parte difícil — extrair texto fiel do áudio — é precisamente o passo que desbloqueia tudo o resto. Uma ferramenta como a BlaBlaScribe encadeia estas etapas, para que um único carregamento dê a transcrição, a tradução e os conteúdos derivados num só fluxo de trabalho.

Perguntas frequentes

O que é ASR?

ASR é a sigla inglesa de reconhecimento automático de fala — a tecnologia que converte áudio falado em texto escrito. O ASR moderno usa redes neuronais de ponta a ponta treinadas com enormes quantidades de áudio, que substituíram as antigas cadeias de vários componentes com modelos acústicos e de linguagem.

O que é o Whisper?

O Whisper é um modelo de reconhecimento de voz de código aberto bem conhecido, que mostrou até onde o treino multilingue de ponta a ponta podia levar a qualidade da transcrição. Treinado com enormes quantidades de áudio real, transcreve muitas línguas de forma robusta e ajudou a definir o padrão em que assentam as ferramentas de transcrição atuais.

O reconhecimento de voz percebe o que estou a dizer?

Não no sentido humano. O modelo aprende estrutura estatística — que sons correspondem a que palavras e que palavras costumam seguir-se a outras — sem compreensão nem intenção. Isso chega para transcrever notavelmente bem, e é também por isso que os erros são palpites com ar fluente e não disparates evidentes.

Porque é que a minha transcrição confunde palavras com som parecido?

Porque o modelo resolve o áudio ambíguo com base no contexto e na frequência. Se duas palavras soam de forma parecida, escolhe a mais plausível no contexto — normalmente acerta, às vezes erra, sobretudo com nomes e termos especializados que raramente viu. Articular bem e fazer uma revisão rápida dos nomes resolve a maior parte dos casos.

As ferramentas de transcrição treinam modelos com o meu áudio?

As políticas diferem de fornecedor para fornecedor. As ferramentas sérias dizem claramente se os ficheiros carregados são guardados e se são usados para melhorar os modelos, e muitas comprometem-se a não treinar com o áudio dos clientes. Se isso for importante para o seu trabalho, consulte a política de dados antes de carregar — os bons fornecedores tornam-na fácil de encontrar.

Converter fala em texto é o mesmo que reconhecer uma voz?

Não exatamente — os termos confundem-se com facilidade. A conversão de fala em texto (ASR) transforma o que é dito em palavras escritas. O reconhecimento de voz em sentido estrito, porém, serve para identificar ou verificar quem está a falar, como numa verificação de segurança por voz que confirma a identidade de uma pessoa. Uma ferramenta de transcrição concentra-se nas palavras; distinguir os vários oradores é outra tarefa, a cargo da identificação de oradores.

Conclusão

O reconhecimento de voz com IA funciona transformando o som numa imagem de frequências e deixando depois uma grande rede neuronal — treinada com oceanos de fala real — ler essa imagem e escrever as palavras, usando o contexto para preencher o que o áudio deixa ambíguo. É por isso que a transcrição melhorou tanto, que funciona em várias línguas e que os seus raros erros têm o aspeto que têm.

A melhor forma de o apreciar é usá-lo com o seu próprio áudio. Carregue gratuitamente um ficheiro na BlaBlaScribe, veja a gravação transformar-se em minutos numa transcrição com marcas temporais e identificação de oradores — e agora saberá exatamente o que aconteceu pelo meio. Perceber o mecanismo tem ainda outra vantagem: quando sabe que o modelo está a ler uma imagem de frequências e a prever as palavras mais plausíveis, cada dica de gravação deste guia deixa de ser uma regra a decorar e passa a ser algo sobre que consegue raciocinar sozinho.