Glossário
Um espectrograma mel é o formato de entrada para modelos modernos de reconhecimento de fala. É uma imagem 2D onde o eixo X é o tempo, o eixo Y é a frequência e o brilho do pixel é a amplitude — mas com o eixo de frequência distorcido para a escala Mel, que é uniformemente perceptível (1 kHz parece metade de 2 kHz para um ouvinte humano). Whisper, wav2vec, Conformer e todos os modelos atuais de ASR usam um espectrograma mel como entrada.
Por que a escala Mel e não Hz comum?
A audição humana é logarítmica em frequência. A diferença de pitch entre 100 Hz e 200 Hz soa maior que a diferença entre 5.000 Hz e 5.100 Hz, mesmo que ambos estejam a 100 Hz de distância numericamente. A escala Mel é uma transformação não linear que aproxima como os humanos percebem o pitch — pontos igualmente espaçados na escala Mel soam igualmente distantes para nós. Treinar ASR em mel spectrograms dá ao modelo uma representação alinhada perceptualmente, que generaliza melhor do que frequência bruta.
Como um mel spectrogram é calculado
Três etapas. (1) Transformada de Fourier de Tempo Curto (STFT): deslize uma janela de 25 ms pelo áudio em saltos de 10 ms, tome a FFT de cada janela, obtenha um espectrograma de frequência linear regular. (2) Banco de filtros Mel: aplique ~80 filtros triangulares espaçados na escala Mel, somando a energia de cada filtro. (3) Compressão log: tome o log de cada valor para comprimir a faixa dinâmica. Resultado: uma matriz de 80 canais × T quadros que é o espectrograma mel.
Como fica
Abra qualquer visualizador de spectrogram (Audacity, sonic visualiser) e carregue uma vogal. Você verá bandas horizontais nos formantes — as ressonâncias do trato vocal. Diferentes vogais ("ee" vs "oo") têm padrões de formantes diferentes. Consoantes aparecem como explosões (plosivas) ou ruído (fricativas). Modelos ASR aprendem a ler esses padrões como um foneticista faria.
Na prática
Dentro do pipeline do Transcript.you: quando você envia um MP3, o FFmpeg o decodifica para PCM, nós reamostramos para 16 kHz, então calculamos o espectrograma mel (80 canais mel, salto de 10 ms). Esse espectrograma é o que é enviado para o Whisper. A forma de onda de áudio original nunca chega ao modelo — apenas sua representação de espectrograma mel.
Termos relacionados
Leitura adicional
Veja a transcrição por IA em ação
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que Espectrograma Mel significa na transcrição?
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.
Por que Espectrograma Mel importa ao escolher um fluxo de trabalho de transcrição?
Espectrograma Mel afeta como você entende a qualidade da transcrição, o tempo, a compatibilidade ou a tecnologia por trás dos resultados de conversão de fala em texto.
Onde posso aplicar Espectrograma Mel no Transcript.you?
Use o fluxo de trabalho relacionado em /ai-transcription quando você quer ver como esse conceito de glossário se conecta a uma tarefa real de transcrição.
Navegue pelo glossário de transcrição ou leia o guia completo sobre transcrição por IA.