Reconhecimento de fala automático
Reconhecimento Automático de Fala. O termo técnico geral para qualquer sistema que converte áudio falado em texto escrito.
Referência
Glossário de Transcrição
Definições em linguagem simples dos termos técnicos usados na conversão de fala em texto e transcrição por IA. As principais entradas têm links para páginas dedicadas com explicações e exemplos mais aprofundados.
ASR principal e modelos
Sussurro
Um modelo de ASR de código aberto lançado pela OpenAI em 2022. Treinado em 680.000 horas de áudio multilingue. Agora é a infraestrutura padrão para a maioria das ferramentas de transcrição por IA, incluindo o Transcript.you.
Versões do Whisper (whisper-1 vs Whisper Large v3)
A variante do Whisper servida pela API da OpenAI (whisper-1) é mais antiga e suporta JSON verboso com marcas de tempo de segmento. Whisper Large v3 é a versão mais recente de código aberto com melhor accuracy em áudio ruidoso e com sotaque.
Modelo acústico
O componente de um sistema de ASR que mapeia formas de onda de áudio bruto para probabilidades de fonema.
Modelo de linguagem
O componente que transforma suposições de fonemas em palavras reais ao prever sequências de palavras prováveis. Transformadores modernos estilo Whisper integram ambos em um único modelo.
Busca em feixe
Uma estratégia de decodificação usada por mecanismos ASR: em vez de escolher a próxima palavra mais provável em cada etapa (guloso), o sistema rastreia as principais sequências candidatas k e escolhe o caminho completo de maior pontuação. Troca computação por precisão.
Perda CTC
Perda de Classificação Temporal Conexionista (CTC) — um objetivo de treinamento que permite que redes ASR aprendam alinhamentos entre quadros de áudio e caracteres sem rótulos por quadro. Pioneirou o reconhecimento de fala moderno de ponta a ponta.
Espectrograma Mel
Uma representação visual de frequências de áudio plotadas na escala Mel (uniforme perceptualmente). O formato de entrada padrão para redes neurais ASR modernas, incluindo Whisper.
Divisão em pedaços
Dividir um arquivo de áudio longo em segmentos mais curtos antes de enviar para o motor de ASR. O Whisper tem uma janela de contexto de 30 segundos internamente; as ferramentas chunkam em limites de 10 minutos para permanecer dentro dos limites do modelo.
Alinhamento forçado
Corresponder uma transcrição conhecida ao seu áudio para produzir tempo por palavra. Usado para melhorar a precisão de legendas após a passagem inicial do ASR.
VAD (Detecção de Atividade de Voz)
Uma etapa de pré-processamento que detecta quais partes de um fluxo de áudio contêm fala vs silêncio vs ruído. Economiza tempo de processamento pulando segmentos não-falados.
Detecção de fim
Detecção em tempo real de quando um usuário parou de falar — o gatilho para finalizar legendas ao vivo ou enviar resultados de ditado para sistemas a jusante.
ASR de streaming
Reconhecimento de fala que emite resultados parciais à medida que o áudio chega, em vez de esperar a gravação ser concluída. Necessário para legendas ao vivo e IA conversacional.
Transcrição em tempo real vs em lote
A transcrição em tempo real processa um fluxo de áudio ao vivo enquanto é falado (legendas ao vivo). A transcrição em lote processa um arquivo de áudio completo. O lote geralmente é mais preciso; o tempo real tem uma latência de 1-3 segundos.
Previsão de pontuação
Um pós-processamento que adiciona vírgulas, pontos e capitalização à saída bruta do ASR, que originalmente produz fluxos de palavras sem pontuação.
Modelos de pontuação e maiúsculas
Um modelo de pós-processamento especializado que transforma a saída do ASR em minúsculas e sem pontuação em texto com pontuação e maiúsculas adequadas. O Whisper integra isso diretamente; pipelines mais antigos usam um modelo separado.
Formatos e propriedades de áudio
Codec
O algoritmo usado para comprimir e descomprimir dados de áudio. MP3, AAC, FLAC, Opus e PCM são todos codecs. Diferentes codecs fazem um trade-off entre tamanho do arquivo, qualidade e custo computacional.
Taxa de amostragem
Quantas vezes por segundo um sinal de áudio é medido, em Hz. Qualidade CD é 44.100 Hz; gravações modernas costumam usar 48.000 Hz. Taxas maiores capturam mais detalhe, mas geram arquivos maiores.
Taxa de bits
Quantos bits de dados são usados por segundo de áudio, em kbps. Streaming MP3 é 128 kbps; podcast de qualidade é 192-256 kbps; arquivamento sem perda é 1.000+ kbps.
Hertz (Hz)
A unidade de frequência: ciclos por segundo. Sinais de áudio são descritos por sua taxa de amostragem (por exemplo, 44.100 Hz) e conteúdo de frequência. A fala humana varia aproximadamente de 80 Hz a 8.000 Hz.
Áudio com perda vs sem perda
Compressão com perda (MP3, AAC, OGG) descarta dados de áudio para reduzir o tamanho do arquivo. Sem perda (FLAC, ALAC, WAV) preserva cada bit. Para transcrição, compressão com perda a 128 kbps+ é indistinguível de sem perda.
Tags ID3
Campos de metadados incorporados dentro MP3 arquivos: título, artista, álbum, ano, gênero, etc. Não afetam a transcrição, mas são úteis ao organizar arquivos de podcast em lote antes da transcrição.
Falantes e diarização
Diarização
O processo de identificar "quem disse o quê" em uma gravação com múltiplos falantes. Geralmente rotulado como Falante 1, Falante 2, etc. Exige um modelo separado da transcrição base.
Embedding do falante
Um vetor de tamanho fixo que captura as características de voz de um falante. Usado em diarização para agrupar segmentos por identidade do falante sem conhecer os nomes com antecedência.
RTTM
Formato Rich Transcription Time Marked. Formato padrão baseado em linhas para armazenar saída de diarização: quando cada falante começa e para de falar. Usado em benchmarks de pesquisa como DIHARD.
DER (Taxa de Erro de Diarização)
A métrica de precisão padrão para diarização de falantes: percentual do tempo de áudio em que o sistema atribui o falante errado (ou perde a fala). Sistemas de ponta atingem 5-15% de DER em benchmarks de conversação.
Legendas e legendas ocultas
SRT
Formato de arquivo de legenda SubRip. O formato de legenda mais amplamente suportado, compatível com YouTube, VLC, Premiere, Final Cut e DaVinci Resolve.
VTT (WebVTT)
Web Video Text Tracks. O formato de legenda nativo do vídeo HTML5. Usado pelo Vimeo, players baseados em navegador e sistemas CMS de vídeo modernos na web.
Horário
Um marcador de tempo em cada linha de um transcript, geralmente no formato MM:SS ou HH:MM:SS. Obrigatório para legendas; opcional para texto simples.
Transcrição versus legendagem
A transcrição produz um arquivo de texto simples com tudo o que foi dito. A legendagem produz linhas curtas codificadas em tempo otimizadas para leitura na tela (normalmente 32-40 caracteres por linha, máximo 2 linhas na tela).
Legendas fechadas versus legendas
Legendas fechadas incluem áudio não falado (music cues, efeitos sonoros, rótulos de falante) para surdos e com deficiência auditiva. Legendas supõem que o espectador pode ouvir e apenas traduzem o diálogo falado.
Legendas embutidas vs. Legendas separadas
Legendas queimadas estão incorporadas nos pixels do vídeo (não podem ser desligadas). Legendas laterais são armazenadas separadamente como SRT/VTT arquivos e alternadas pelo player. Legendas para redes sociais são geralmente queimadas; vídeos da web usam laterais.
Legendas de áudio WCAG
Requisitos das Diretrizes de Acessibilidade de Conteúdo da Web para conteúdo de áudio legendado: legendas sincronizadas para mídia pré-gravada (Nível A), legendas ao vivo para mídia ao vivo (Nível AA) e descrições de áudio para vídeo (Nível AA).
Métricas de precisão
WER
Taxa de Erro de Palavra. A porcentagem de palavras que um motor de transcrição erra, incluindo substituições, inserções e exclusões. Quanto menor, melhor. Motores modernos alcançam 2-5% de TEO em áudio limpo.
RTF (Fator de Tempo Real)
Quão rápido um sistema de ASR processa o áudio em relação à sua duração. RTF = 0,5 significa que processar 1 hora de áudio leva 30 minutos. O Whisper-1 em uma GPU rápida roda com RTF ~0,1-0,3.
Linguística
Fonema
A menor unidade de som em uma língua. O inglês tem aproximadamente 44 fonemas. Sistemas ASR mapeiam internamente o áudio para sequências de fonemas antes de montar palavras.
Prosódia
Os padrões de estresse, entonação e ritmo na linguagem falada. O ASR moderno ignora principalmente a prosódia para a transcrição em nível de palavra, mas é a próxima fronteira para a detecção de emoção e intenção.
IPA (Alfabeto Fonético Internacional)
Um sistema de notação padronizado para representar os sons de qualquer língua falada. Usado em linguística e guias de pronúncia.
Alternância de código
Misturar duas ou mais línguas em um único enunciado — comum em falantes bilíngues. Um caso desafiador para ASR; o Whisper-3 lida com pares bilíngues comuns (espanhol-inglês, mandarim-inglês), mas a precisão cai em combinações raras.
Efeito Lombard
A tendência involuntária dos falantes de elevar a voz e articular com mais clareza em ambientes ruidosos. Gravações feitas com alto nível de ruído soam mais altas que uma conversa normal, o que dificulta o ASR se o modelo não tiver sido treinado com fala de Lombard.
ELAN
Uma ferramenta amplamente usada do Instituto Max Planck para anotar gravações de áudio e vídeo, comum em fluxos de trabalho de linguística e pesquisa qualitativa. Lê transcrições produzidas em outros lugares.
Procurando mais profundidade? Leia o Guia completo de transcrição por IA para um tutorial completo sobre formatos, precisão e ferramentas.
Última atualização: 9 de novembro de 2026