Glossário prático de termos de transcrição e legendagem

Quais termos descrevem como a fala vira texto?

O reconhecimento automático de fala (ASR, na sigla em inglês) é a tecnologia que transforma o áudio falado em texto escrito. No dia a dia, esse mesmo processo é chamado de conversão de fala em texto (speech-to-text). Já a transcrição é o trabalho completo: o texto final costuma trazer, além das palavras reconhecidas, a pontuação, as marcações de tempo e a indicação de quem está falando.

O sistema treinado para reconhecer a fala é chamado de modelo, e os áudios e textos usados para ensiná-lo são os dados de treinamento. Enquanto o modelo acústico liga os sons às unidades da fala, o modelo de linguagem calcula a probabilidade de certas palavras aparecerem juntas. Isso ajuda o sistema a escolher uma frase que faça sentido em vez de uma combinação estranha. Hoje, muitos sistemas juntam essas funções em um único modelo.

A decodificação é a busca pela sequência de palavras mais provável para um trecho de áudio. A pontuação de confiança (confidence score) é uma nota que o próprio sistema dá para o seu palpite; serve como pista, mas não como garantia de acerto. Já a alucinação acontece quando o sistema inventa um texto fluente que não estava na gravação, o que pode ocorrer em momentos de silêncio ou quando o som está ruim. Esse é um dos motivos pelos quais toda transcrição automática precisa de revisão.

Quais termos medem a precisão?

A taxa de erro de palavras (WER, de Word Error Rate) compara uma transcrição com outra de referência. A conta soma as palavras substituídas, omitidas ou inseridas e divide esse número pelo total de palavras na referência. Na prática, substituição é trocar a palavra certa por uma errada, omissão (ou exclusão) é quando uma palavra falta e inserção é quando entra uma palavra a mais. Já a taxa de erro de caracteres (CER, de Character Error Rate) segue a mesma lógica, mas contando caracteres. Ela é usada em idiomas e sistemas de escrita onde não há uma separação clara entre as palavras.

A transcrição de referência é o texto revisado e correto que serve de gabarito na comparação. Antes de contar os erros, passa-se pela normalização, uma etapa que deixa os dois textos no mesmo padrão (tirando a pontuação, igualando o formato dos números e unificando a grafia, por exemplo) para que a comparação seja justa. Por isso, um índice WER só faz sentido quando você conhece o áudio usado no teste, a transcrição de referência e as regras de normalização.

No cálculo de WER, toda palavra tem o mesmo peso: comer um artigo como 'o' pesa tanto quanto errar um sobrenome. É por isso que muita gente prefere conferir nomes próprios, números e termos específicos à parte. Não divulgamos porcentagens aqui porque os resultados mudam conforme o idioma e a qualidade da gravação.

Quais termos identificam quem está falando?

A diarização é o processo que identifica quem falou e quando, dividindo a gravação em turnos de fala por pessoa. Ela não descobre quais palavras foram ditas. Cada trecho de fala contínuo de uma mesma pessoa é chamado de turno, e a identificação de locutor (speaker label) é o nome ou etiqueta que marca esse trecho, como 'Locutor 1' ou o nome real do participante.

Quando duas ou mais pessoas falam ao mesmo tempo, acontece a sobreposição de vozes, o que dificulta tanto o reconhecimento das palavras quanto a diarização. A detecção de atividade de voz (VAD, na sigla em inglês) acha os trechos do áudio em que há alguém falando e pula os silêncios e ruídos. Já a taxa de erro de diarização (DER, de Diarization Error Rate) mede quanto tempo de áudio foi atribuído à pessoa errada, deixou de ser detectado ou foi confundido com fala.

Quais termos tratam de idiomas e tradução?

A identificação de idioma descobre qual língua está sendo falada na gravação. Quando a pessoa mistura dois idiomas na mesma conversa ou até na mesma frase, como hebraico e inglês, chamamos isso de alternância de código (code-switching). Já o dialeto é uma variação regional ou social de uma língua. O árabe padrão moderno, por exemplo, é a forma usada na escrita formal e no noticiário, enquanto o árabe falado no cotidiano é quase todo feito de dialetos.

Transliterar é escrever os sons de uma palavra usando outro alfabeto, como grafar um nome árabe com letras hebraicas. Traduzir, por outro lado, é passar o sentido de uma língua para outra. Idiomas como o hebraico e o árabe são escritos da direita para a esquerda (RTL, de right-to-left), e essa direção de leitura afeta o jeito como documentos e legendas aparecem na tela quando há números ou palavras em inglês no meio do texto.

O KolWrite faz transcrições em mais de 100 idiomas, lida com falas que misturam línguas (como hebraico e inglês) e traduz entre os idiomas disponíveis na plataforma.

Quais termos definem a marcação de tempo e o estilo do texto?

Uma marcação de tempo (timestamp) indica em que momento do arquivo algo foi dito, contando a partir do início da gravação. O timecode é um código padronizado para localizar um quadro específico do vídeo, geralmente no formato de horas, minutos, segundos e quadros (frames). Já as marcações de tempo por palavra mostram o início e o fim exatos de cada palavra isolada. Quando você já tem o texto pronto e usa um sistema para sincronizá-lo com o áudio e achar esses tempos exatos, o processo se chama alinhamento forçado.

A transcrição literal (verbatim) registra tudo o que foi dito na gravação, incluindo vícios de linguagem, hesitações, frases quebradas e palavras repetidas. Já a transcrição limpa (clean verbatim ou intelligent verbatim) corta essas muletas e começos falsos de frase, mas mantém as palavras exatas e o sentido do que a pessoa falou. Por fim, a restauração de pontuação coloca maiúsculas, vírgulas e pontos finais no texto reconhecido, enquanto a formatação numérica transforma números falados por extenso em algarismos.

Quais termos se referem a formatos de arquivo e legendas?

SRT e VTT são formatos de legenda em texto simples que ligam o texto aos tempos de início e fim. O VTT (ou WebVTT) é o padrão usado na web e permite definir o posicionamento e o estilo do texto. Entre os outros formatos, TXT é texto simples, DOCX é um documento do Word e PDF tem layout fixo. Já o JSON traz dados estruturados para leitura por softwares e costuma guardar a minutagem de cada palavra e a identificação dos locutores.

Em inglês, faz-se diferença entre 'captions' e 'subtitles'. As captions (legendas descritivas) mostram tanto a fala quanto os sons importantes da cena para quem não pode ouvir. As subtitles (legendas comuns) transcrevem ou traduzem a fala para quem ouve o som, mas precisa ler o texto. A legenda para surdos e ensurdecidos (LSE, ou SDH na sigla em inglês) é um formato que junta a descrição de efeitos sonoros e a indicação de quem está falando. Quanto à exibição, as legendas ocultas (closed captions) ficam numa faixa separada que o espectador pode ligar ou desligar, enquanto as legendas abertas (open captions ou embutidas) são gravadas direto na imagem do vídeo e não podem ser removidas.

Quais termos descrevem o áudio e o fluxo de trabalho?

Codec é o método usado para codificar e comprimir um arquivo de som. Formatos sem perda (lossless), como o WAV, guardam todos os detalhes do áudio original; já os formatos com perda (lossy), como o MP3, jogam fora parte dos dados para deixar o arquivo mais leve. A taxa de bits (bitrate) mede quantos dados são processados por segundo de áudio, e um bitrate maior costuma preservar mais detalhes do som. A taxa de amostragem (sample rate) indica quantas vezes por segundo esse som é medido. Por fim, o áudio mono usa um único canal de som, enquanto o estéreo usa dois.

A relação sinal-ruído (SNR, de Signal-to-Noise Ratio) compara o volume da voz com o do barulho de fundo. Um SNR baixo é um dos principais motivos para um sistema de reconhecimento cometer erros. Quanto ao modo de operação, o processamento em lote (batch processing) trabalha com grupos de arquivos já gravados, enquanto o reconhecimento contínuo (streaming ou em tempo real) processa o áudio conforme ele chega, para uso ao vivo. O KolWrite funciona a partir de gravações enviadas para a plataforma e não gera legendas ao vivo em chamadas.

Um vocabulário personalizado, ou glossário, é uma lista de nomes e termos específicos que você entrega ao sistema para ajudá-lo a acertar essas palavras com mais segurança. Uma API é uma ponte que permite que outros programas enviem áudio e recebam o texto pronto de forma direta. Já a revisão, também chamada de validação humana (human-in-the-loop), é a etapa em que uma pessoa lê e corrige o texto gerado pelo sistema.