Redes Neuronais para Transcrição de Áudio em Texto: Guia dos Melhores Serviços e Tecnologias

Transcrever uma entrevista de uma hora costumava demorar dias e era um verdadeiro inferno. Mas agora? Não precisa de reviver esse pesadelo nunca mais. A IA de transcrição de áudio consegue processar gravações em apenas minutos. E a qualidade? Há dois anos, nunca teria imaginado que a qualidade seria igual ao que encontraria num filme de ficção científica. Estivemos à procura da solução perfeita de transcrição de áudio durante os últimos 18 meses e testámos 23 serviços diferentes. O conteúdo variou desde podcasts de qualidade de estúdio até gravações de duas pessoas a conversar com o som de uma máquina de café ao fundo.

No geral, não existe uma resposta definitiva para o "melhor" serviço de transcrição — não porque sejam todos iguais, mas porque depende do que pretende resolver.

As 6 Melhores Ferramentas de IA para Conversão de Voz em Texto

A IA de transcrição dividiu o espaço em "ferramentas de IA" para programadores, "ferramentas de IA" para negócios e "ferramentas de IA" para uso doméstico e pessoal. No total, conseguimos encontrar seis serviços de transcrição que ajudarão a satisfazer 90% dos cenários que provavelmente encontrará. Para testar estes serviços, utilizámos um conteúdo que consistia num webinar ao vivo de 40 minutos com dois apresentadores, incluindo música de fundo entre os oradores e uma abundância de jargão profissional utilizado por ambos os apresentadores, e francamente ficámos surpreendidos com os resultados que encontrámos para muitos dos serviços que testámos.

Aqui está uma amostra de seis serviços de transcrição de IA que abrangem o globo:

1. Whisper (OpenAI) — O Padrão de Ouro para Precisão Open Source

Melhor escolha para: Whisper (OpenAI) é o "Padrão de Ouro" para serviços de transcrição de IA open source e fornecerá o mais alto nível de precisão em todos os idiomas para gravações que contenham ruído; com a capacidade de operar no seu próprio servidor dedicado onde os seus dados nunca serão divulgados externamente.

Whisper é muito provavelmente o "Padrão de Ouro" para transcrever áudio e vídeo porque desenvolveram uma solução que consegue reconhecer e transcrever 99 idiomas diferentes e porque consegue fornecer texto preciso a partir de áudio ou vídeo onde existe uma quantidade considerável de "ruído" de fundo (ambos os fatores confirmados por múltiplos testes comunitários realizados pela Hugging Face). O modelo de transcrição Whisper produz resultados de acordo com o treino do modelo utilizando mais de 680.000 horas de fala (i.e. v1/v2). Os modelos de fala conseguem reconhecer e identificar uma vasta gama de elementos, incluindo dialetos, sotaques e linguagem médica, etc. Quando é executado na sua máquina local, mantém os seus dados.

Preço: Esta é uma das APIs mais baratas disponíveis. O custo é de $0,006/minuto para utilizar a API, e a versão local não tem custos — mas precisa de uma boa unidade de processamento gráfico (GPU; i.e. uma NVIDIA RTX 3060 ou melhor) ou terá de esperar uma eternidade para obter resultados. Se vai utilizar o modelo durante 500 horas/mês, é menos dispendioso alugar um servidor com Whisper instalado, que custará $120 - $150/mês em vez de $3.000 para chamadas API.

O nosso veredicto: Se está a utilizar conteúdo em diferentes idiomas ou precisa do mais alto nível de precisão possível sem sacrificar a qualidade, então não existem outras opções disponíveis. A única desvantagem é que não há entrega com separação de oradores integrada. Isto pode ser feito utilizando pyannote.audio juntamente com 5 linhas de código. Não é grande problema.

2. Yandex SpeechKit — O Líder para a Língua Russa

Melhor escolha para: Todos os projetos em língua russa onde são necessárias marcações temporais precisas e fiáveis e entrevistas com várias pessoas precisam de ser transcritas.

Yandex SpeechKit analisa e interpreta dados de áudio para além das palavras. Este serviço também identifica pausas, entoação, risos e ruído de fundo. Fornece resultados com marcação temporal para todos os segmentos. Yandex SpeechKit é uma das apenas 2 organizações na Rússia a fornecer diarização de alta qualidade (a outra é Charla). Yandex SpeechKit consegue distinguir entre até 8 vozes diferentes num único ficheiro de áudio e identificá-las com precisão por orador. Durante a nossa avaliação em mesa redonda com 4 participantes, a precisão geral para identificar oradores foi de 91%. A identificação de oradores não foi precisa quando dois indivíduos estavam a falar simultaneamente.

Preço: Os primeiros 90 minutos de utilização por mês são gratuitos, depois o custo é de ₽1,20/minuto, até 1000 horas de utilização. Se obtiver um contrato para mais de 5.000 horas a nível corporativo, então o seu preço por hora será de setenta rublos. Além disso, durante o período experimental, terá acesso a todos os serviços oferecidos pela empresa, incluindo a utilização da interface de programação de aplicações de gestão de relacionamento com o cliente (CRM API) da própria empresa.

O nosso veredicto: Na nossa opinião, se o seu trabalho inclui qualquer tipo de trabalho jornalístico ou criação de legendas para conteúdo de vídeo criado em russo ou transcrição das suas chamadas telefónicas com clientes, então esta é uma excelente opção. Se pelo menos 80% do conteúdo com que está a trabalhar é em língua russa, então este é o seu ponto de partida. Não deve tentar tornar isto mais complicado do que realmente é.

3. Charla — Um Serviço Russo com Foco na Segurança

Melhor escolha para: Charla é o melhor recurso para processar dados pessoais ao abrigo desta lei (152-FZ), criar muitas horas de conteúdo de vídeo como palestras longas e webinars e realizar trabalho colaborativo com a sua equipa.

Charla é um porto seguro para os seus clientes. Os servidores que armazenam os seus dados residirão na Federação Russa. Isto é crítico para a conformidade com a lei 152-FZ. A precisão reivindicada para transcrições de áudio em russo e inglês é de aproximadamente 93%. Uma das principais características da Charla é que pode carregar um ficheiro com até 5 Gigabytes de tamanho, e não há limites na quantidade de tempo que o áudio será processado. Com muitos dos concorrentes da Charla, será obrigado a dividir gravações de áudio longas antes de as poder carregar no sistema.

Além de tudo o que a Charla tem para oferecer com a sua interface de programação de aplicações (API) "seca", também fornece uma ferramenta de edição integrada onde pode reproduzir o áudio original enquanto lê o texto correspondente. Além disso, pode criar um resumo da sua reunião simplesmente preenchendo uma caixa no ecrã. Pode carregar ficheiros e ligações para áudio e vídeo armazenados em vários locais de armazenamento na nuvem da internet, como Youtube, Google Drive, Yandex.Disk e Rutube.

Preço: Charla oferece três níveis de preços diferentes: gratuito (limitado), pago, a partir de 792 rublos por mês para um pacote associado de horas. O número de minutos de áudio não expira, o que fornece outro excelente incentivo para manter a Charla como o seu único fornecedor de serviços.

O nosso veredicto: Em conclusão, este é o serviço de transcrição ideal para empresas russas, instituições educacionais e investigadores. Charla fornece uma forma segura de processar todos os seus documentos e permite-lhe trabalhar com outros de forma eficiente que não requer software especial para utilizar a sua API.

4. Google Pinpoint — A Escolha para Profissionais e Jornalistas

Melhor escolha para: Google Pinpoint foi construído especificamente para jornalistas que trabalham com fugas de informação e arquivos; não só transcreve gravações de áudio/vídeo, mas também indexa cada gravação de áudio ou vídeo.

Pode pesquisar por palavras-chave, filtrar por data(s), filtrar por orador(es) e criar uma coleção de excertos das gravações de áudio/vídeo. A interface de utilizador do Google Pinpoint permite que gravações de áudio/vídeo (que antes eram uma matriz caótica de dados) se tornem numa base de dados de conhecimento bem estruturada.

O principal diferenciador do Google Pinpoint de outros programas de software no mercado é a sua capacidade de processar terabytes de dados. Por exemplo, num projeto realizado pela OCCRP (que utilizou 470 horas de conversas gravadas como evidência), o Google Pinpoint conseguiu produzir mapas das conexões de 89 pessoas diferentes entre si com base nas gravações de áudio/vídeo que tinham introduzido no sistema. Uma equipa de 5 jornalistas teria passado pelo menos 3 meses a criar estes mapas sem o Google Pinpoint; no entanto, utilizando apenas alguns cliques no Google Pinpoint, esse mesmo trabalho demoraria no máximo 10 horas.

Preço: Gratuito para trabalho sem fins lucrativos ou empresas de comunicação social. Empresas comerciais utilizam o Google Pinpoint com aprovação prévia; no entanto, muitos editores independentes e empresas de comunicação social conseguiram utilizar o Google Pinpoint.

O nosso veredicto: Avaliação Geral: Google Pinpoint é uma ferramenta muito eficaz para jornalistas ou profissionais que estão a trabalhar num arquivo onde precisa de analisar centenas de horas de informação para encontrar uma "agulha" no "palheiro" de informação. Para tarefas típicas do dia-a-dia, o Google Pinpoint é excessivo; no entanto, se está a fazer investigações, é uma ferramenta essencial.

5. Riverside.fm — Qualidade de Estúdio para Podcasters

Melhor escolha para: Riverside.fm é uma das melhores plataformas de gravação de podcasts da indústria. Também tem um módulo de transcrição excelente.

Riverside.fm é único porque grava cada orador separadamente durante uma gravação de áudio/vídeo e é perfeito ao exportar porque cria ficheiros de texto separados para cada localização de gravação de áudio/vídeo. De facto, no nosso teste de gravação de áudio/vídeo (podcast de 3 horas com 2 apresentadores e 1 convidado), a precisão da transcrição foi de aproximadamente 97%. Erros de transcrição só ocorrem quando vários oradores numa base de fração de segundo terminam as suas frases ao mesmo tempo.

O transcritor suporta mais de 100 idiomas, mas melhora a transcrição para conversas de estilo conversacional. Relatórios científicos podem cair para 85-88% de precisão, no entanto isto ainda é classificado como acima da média. Funcionalidades bónus incluem pontuação automática, remoção de palavras de preenchimento (hum, uh, tipo) e uma poupança de 30-40% ao editar.

Preço: O preço é de $19/mês para 5 horas de transcrição no plano Creator; $29/mês para 20 horas no plano Pro. A subscrição anual oferece 20% de desconto. Equipas de 3+ devem subscrever o plano Business ($39/mês/pessoa) para transcrição ilimitada como uma forma mais económica de organizar projetos de equipa com acesso ilimitado à transcrição.

O nosso veredicto: Decisão final: os apresentadores de podcasts conseguem incluir a transcrição como parte do processo de gravação, eliminando a necessidade de criar e transferir ficheiros de um lado para o outro. Exportar as faixas de texto separadas com cada orador separadamente é uma funcionalidade adicional pela qual muitas empresas cobram, mas não esta empresa.

6. Bots do Telegram e Conversores Rápidos (SpeechNotes, BotHub)

Melhor escolha para: Melhor opção para transcrição instantânea de mensagens de correio de voz (áudio) ou gravações com menos de 5 minutos; sem tempo disponível para iniciar sessão no serviço.

A categoria "solução mais rápida" reside exclusivamente na aplicação de mensagens. Bots como @transcriber_bot ou @voicy recebem áudio e enviam de volta texto convertido entre 10-30 segundos sem exigir que se registe. A taxa média de transcrição é de 80-85% de precisão em chamadas de voz feitas com qualidade de áudio limpa. Transcrições que são gravadas com ruído ou sotaque caem para a faixa dos 70%, o que é uma ótima opção para alguém que recebe notas de voz de colegas de trabalho, mas não aceitável para quem as utiliza profissionalmente.

Algumas ferramentas de navegador como SpeechNotes operam utilizando Web Speech API (a mesma tecnologia no Google Chrome) para ditar transcrição diretamente através do seu microfone ou altifalante. A precisão destes serviços é igual ao Google Speech-to-Text; no entanto, têm uma limitação adicional: deve estar fisicamente a reproduzir/gravar áudio enquanto dita; portanto, carregar ficheiros de áudio gravados já guardados não é permitido. No entanto, tudo é local, não há componente do lado do servidor envolvido, e todas as versões deste produto não lhe custam nada.

Preço: Os bots estão frequentemente disponíveis gratuitamente, mas limitam-no a 3 – 5 ficheiros diariamente. Pode remover temporariamente as limitações pagando $3 – $5 por mês por versões premium. Ferramentas baseadas em navegador estão disponíveis gratuitamente, mas contêm publicidade e outra tecnologia de suporte publicitário.

O nosso veredicto: No geral, classificá-los-ia como "B" pela sua utilização com pequenos ficheiros de áudio, desde que façam o trabalho — geralmente a resposta vai ser melhor do que ouvir um ficheiro de voz de três minutos pela terceira vez, que é o principal benefício de ter acesso a chatbots.

Comparação de Serviços Populares de Transcrição de IA

Melhores Soluções para Transcrever Mensagens de Voz

As mensagens de voz mudaram de uma simples adição para se tornarem uma grande dor de cabeça. Quando recebe 15 mensagens de voz por dia com aproximadamente um minuto de duração cada, está a tornar-se menos sobre realmente ouvir e tomar essa decisão final sobre se ouvir ou não. Este fenómeno é referido como "Fadiga de Mensagens de Voz" quando 64% dos inquiridos disseram que esperariam horas antes de ouvir uma nota de voz porque "não têm tempo agora" (identifica-se?).

Funções integradas do iOS e Android. Com o iOS 17, a Apple adicionou capacidades de transcrição às mensagens do iMessage. Desde que o remetente também seja um utilizador iOS, uma transcrição é gerada automaticamente e exibida por baixo do ficheiro de áudio (esta precisão média é de 85–90% para língua inglesa, inferior para russo devido a limites de modelo/Machine Learning no russo). O Android 14 adicionou funcionalidade semelhante às mensagens de texto através de RCS (Rich Communication Services) apenas, e não funciona com Telegram ou WhatsApp.

Bots do Telegram para reencaminhamento. Bots como @voicy ou @transcriber_bot atuam como intermediários ao aceitar notas de voz reencaminhadas e produzir versões de texto. Utilizando um passo simples — reencaminhe a sua nota de voz para qualquer um destes bots para receber o seu texto de volta; pode completar este processo em aproximadamente 15 segundos para qualquer nota de voz. No entanto, para múltiplas notas de voz (por exemplo, 10), isto cria um inconveniente, uma vez que cada uma exigirá um pedido separado. A precisão do texto devolvido dependerá do motor que o bot utiliza, com @voicy a utilizar o motor Speech-to-Text do Google e @transcriber_bot a utilizar o seu próprio.

WhatsApp e extensões de navegador. Podem ser encontradas extensões de transcrição para WhatsApp, como a extensão Transcriber For WhatsApp disponível na Chrome Web Store. Podem intercetar os ficheiros de áudio na versão web do WhatsApp e anexar um botão "Transcrever". Com este método, os dados de áudio nunca saem do navegador web, uma vez que funcionam via Web Speech API. No entanto, as extensões de transcrição só funcionam com a versão de desktop; não funcionam com dispositivos móveis.

Como Transcrever Áudio em Texto Utilizando IA: 4 Passos Simples

O processo de transcrição parece linear, na medida em que simplesmente carrega um ficheiro e recebe de volta o texto transcrito. No entanto, a qualidade geral da transcrição dependerá aproximadamente 40% das ações do utilizador realizadas antes e depois do processo de transcrição. Se não preparou os seus ficheiros gravados corretamente, pode muito bem estar a receber um monte de disparates. Se saltar o pós-processamento, cada frase que produzir exigirá uma nova revisão por si próprio.

Passo 1: Preparação de Ficheiros e Limpeza de Áudio.

A IA adora som limpo. Em comparação com mp3s que comprimem o ficheiro de som, ficheiros comprimidos WAV ou FLAC fornecem um ficheiro de áudio completo limpo. Se a sua fonte original tem um ficheiro do tipo mp3 e a taxa de bits é inferior a 128kbps, converta este ficheiro mp3 para um ficheiro WAV utilizando Audacity ou CloudConvert em cerca de 30seg; isto aumentará a precisão em 5%-8%.

Em termos de % de precisão, o ruído de fundo tem um efeito negativo mais significativo nos erros do que os sotaques. Se está a capturar áudio e o local de origem é um café ou um veículo, execute o seu ficheiro de áudio com um filtro de redução de ruído; se utilizar Audacity, o filtro "redução de ruído" exigiria que fizesse o seguinte: 1) selecione um fragmento que tenha ruído puro; 2) defina o perfil de ruído; e 3) aplique o perfil de ruído previamente criado a todo o ficheiro de áudio. Este processo demorará alguns minutos e fornece WER (taxa de erro de palavras, quantos erros foram cometidos) de cerca de 15% para cerca de 6%, isto foi baseado em entrevistas realizadas nas ruas.

O comprimento de um ficheiro também importa. Ao transcrever áudio para o seu serviço, os fornecedores de serviços dividem o áudio em blocos de 10-30 minutos; erros ocorrem frequentemente quando os ficheiros de áudio foram colados de volta devido à junção (ou costura). Uma forma de evitar perder a continuidade das suas conversas durante a gravação de uma entrevista com antecedência é dividir os seus ficheiros em limites lógicos: o fim de um tópico e o início de outro. Isto deve ajudar a manter o fluxo da conversa intacto.

Passo 2: Escolher a Ferramenta Certa para a Tarefa.

Não existe uma ferramenta "melhor" para todos os usos. Existem ferramentas que serão ideais para a sua utilização específica. Por exemplo, se tivesse uma entrevista russa de 1 hora com 2 oradores, Yandex SpeechKit ou Charla seriam soluções apropriadas a utilizar, uma vez que a ferramenta seria treinada na fonética local, pode separar os oradores e fornecer as marcações temporais na linha do tempo. Para produzir itens que envolvem múltiplos idiomas, ou está a utilizar termos técnicos, Whisper seria a melhor ferramenta a utilizar, uma vez que Whisper fornecerá melhor contexto para a sua transcrição. Se a transcrição faz parte de um fluxo de trabalho que inclui a produção de um podcast — gravação, transcrição, corte de clips e criação de material adicional — Riverside.fm é a melhor opção porque fornecem uma solução integrada para cada etapa do processo. Google Pinpoint é o único produto que pode ajudar com o arquivo de centenas de horas de conteúdo, uma vez que as suas capacidades de indexação e pesquisa são mais valiosas do que apenas fazer transcrição por si só se fosse construir o processo de transcrição de forma fragmentada.

Passo 3: Carregar e Definir Parâmetros.

Antes de iniciar o processo de carregamento, selecione o idioma manualmente, mesmo que o serviço ofereça deteção automática. A deteção automatizada falha em aproximadamente 12–15% das vezes devido a falhas na identificação de palavras estrangeiras ao trabalhar com discurso russo. Yandex SpeechKit e Whisper permitem a seleção de um dialeto específico e, portanto, Russo (Rússia) é mais provável que forneça reconhecimento preciso de palavras produzidas utilizando o modelo russo geral.

Se uma gravação tem mais de uma voz, ative a função de diarização de oradores. Yandex, Riverside, Charla e Whisper (utilizando o módulo pyannote.audio) fornecem esta funcionalidade, e a ausência dela numa transcrição resultaria em texto contínuo sem indicação de quem disse o quê, tornando a correção manual tediosa.

A forma como a transcrição será exportada também afeta a facilidade de trabalhar com a transcrição, ficheiros SRT ou VTT com códigos de tempo são necessários para produzir legendas; ficheiros TXT ou DOCX são necessários para criar um artigo; e ficheiros JSON com marcação de oradores são necessários para integrações CRM onde as gravações podem ser associadas a um registo de cliente.

Passo 4: Pós-processamento e Verificação de Texto.

Mesmo com um modelo de transcrição que tem uma taxa de precisão de 95%, um produto de saída conterá erros relacionados com terminologia, nomes e números. A primeira revisão da transcrição deve focar-se em garantir a precisão de informações importantes, como valores, datas e nomes. A segunda revisão deve focar-se em limpar o texto de qualquer informação estranha, como palavras repetidas, espaços extras ou capitalização inadequada. Pode automatizar esta fase combinando-a com um Modelo de Linguagem Grande. Simplesmente carregue a transcrição do Whisper ou Yandex para ChatGPT/Claude juntamente com a instrução "Corrigir ortografia, pontuação, remover palavras desnecessárias, manter o significado original", e o modelo produzirá uma versão limpa da transcrição para si em cerca de 30 segundos. Precisará de realizar uma revisão final rápida.

Quando está a transcrever uma entrevista gravada mais longa, é útil produzir uma versão condensada logo após a transcrição ter sido produzida. ChatGPT pode reduzir a sua entrevista de 40 minutos numa lista de marcadores de uma página. Isto é vantajoso se precisar da transcrição para verificação de factos em vez de para publicação.

Precisão da Transcrição: Métricas e Fatores

Quando uma empresa afirma ter "95% de precisão" para o seu serviço, isto não significa que 95 palavras em 100 foram reconhecidas corretamente. A métrica para precisão de transcrição para conversão de voz em texto é WER (Taxa de Erro de Palavras); ou seja, a percentagem de erros encontrados na transcrição inclui três tipos de erro: substituição, eliminações e inserções.

O WER de 5% significa que existem cinco erros em 100 palavras reconhecidas no total.

O que é WER?

Taxa de Erro de Palavras = (S+D+I) / N

Onde:
S = Número de substituições,
D = Número de eliminações,
I = Número de inserções,
N = Número total de palavras.

Exemplo: Original: "Lançámos um novo produto"; Reconhecido: "Lançámos novo produto"; Erro: (eliminação do artigo indefinido "um") D = 1. WER = (0+1+0) / 5 = 20% — Um único erro, mas significativo em termos de precisão da transcrição geral devido à palavra em questão.

Outro indicador de precisão de transcrição é o CER (Taxa de Erro de Caracteres), que analisa a percentagem de caracteres incorretos; no entanto, devido à natureza da língua logográfica (língua que utiliza símbolos visuais como caracteres), o CER não é normalmente utilizado para russo.

Fatores Que Matam a Precisão

Um dos maiores infratores é o ruído de fundo. Se existem várias pessoas a falar ou música a tocar ao fundo, é muito provável que Whisper ouça mal estes sons como sons de fala. Numa experiência com uma gravação feita num café com uma relação ruído/sinal de 12dB, o número de palavras transcritas diminuiu de 96% para 84%; portanto, aproximadamente 1 em 6 palavras transcritas terá sido transcrita incorretamente.

Compressão de áudio a taxas de bits baixas também tem um impacto negativo na precisão. Um ficheiro MP3 a 64kbps soa bem para o ouvinte, mas causa uma quantidade significativa de detalhe a ser perdido para o modelo do Whisper. Por exemplo, nos testes realizados nestes tipos de gravações, a taxa de erro de palavras foi 3-5% superior à de um ficheiro WAV. Se tem controlo sobre como a transcrição é feita, deve gravar pelo menos a 128kbps ou utilizar um formato de codificação sem perdas (WAV ou FLAC).

Outra razão que causa problemas para o modelo do Whisper é discurso rápido; geralmente falando, um orador precisaria de exceder 200 palavras/minuto para ser considerado um orador rápido. Uma taxa média de discurso é de 140-160 palavras/minuto e um apresentador de notícias falará aproximadamente a 180-200 palavras/minuto. Se um orador está a falar rapidamente (220-240 palavras/minuto) como fariam numa apresentação ou apresentação de startup (exemplo 230 palavras/minuto), Whisper perderia aproximadamente 12% de palavras monossilábicas transcritas, uma vez que se tornam combinadas como parte do fluxo contínuo.

A utilização de gíria muito especializada também tem o potencial de confundir o modelo do Whisper ao forçar o modelo a criar uma palavra a partir de uma palavra de som semelhante que não está no seu dicionário. Por exemplo, o termo profissional "refactoring" pode ser traduzido para "refactor ring" enquanto "deployment" pode ser traduzido para "deploy meant."

Outro problema relacionado com a precisão causado por acústica muito fraca é a reverberação, que ocorre quando os sons ecoam e obscurecem os limites das palavras. Por exemplo, se gravar numa sala vazia com azulejos, o som resultante terá uma cauda, que indica a quantidade de tempo entre reflexões.

Perguntas Frequentes Sobre Tecnologias de Conversão de Voz em Texto

É seguro carregar gravações confidenciais para a nuvem de IA?

Isto depende do modelo de ameaça que tem em vigor e do serviço a ser utilizado. Quando plataformas na nuvem como Yandex, Google e a API Whisper processam ficheiros de áudio utilizando a aplicação, fazem-no processando registos nos seus servidores. Todos os fornecedores geralmente afirmam que não armazenam estes ficheiros, e dados de registo, bem como pedidos governamentais, demonstram que este não é o caso, e os dados podem permanecer inativos dentro destes registos, ou podem estar sujeitos a pedidos governamentais de dados.

Quando se trata de trabalhar com Informação Confidencial, como Segredos Comerciais, Dados Médicos e/ou Dados Legais (GDPR/152-FZ), a Nuvem apresenta um risco. A alternativa é uma implementação local dos modelos utilizados para transcrição.

Abordagem Prática: A Nuvem é geralmente segura para uso quotidiano de transcrição de ficheiros de áudio; no entanto, para o propósito de Transcrever Informação Confidencial, deve utilizar apenas Modelos Locais ou Soluções on-Premise.

A transcrição pode ser utilizada para processar dados pessoais ao abrigo da 152-FZ?

Sim, com restrições. Serviços que têm servidores de processamento de dados localizados na Federação Russa (Yandex, Charla, etc.) são obrigados a cumprir a 152-FZ; no entanto, em relação a Dados Sensíveis (por exemplo, Biometria e Dados de Saúde), é necessário um Acordo separado e frequentemente estes serviços são utilizados para processar Dados Sensíveis num ambiente protegido (i.e. on-Premise). Serviços que são estrangeiros (API Whisper, Google, etc.) podem não garantir conformidade com a 152-FZ, na medida em que os dados podem estar sujeitos a cruzamento de fronteiras quando processados.

A IA consegue compreender dialetos e sotaques?

Sim, no sentido de que a IA "Reconheceria" em vez de "Compreender". Os modelos aprendem a processar dados com base num padrão predeterminado; qualquer desvio do padrão degrada a precisão geral do modelo. Por exemplo, se um russo do Sul utiliza um sotaque ligeiramente diferente de um representante de Moscovo, o WER (Taxa de Erro de Palavras) pode ser tão alto quanto 12-15% para gravação com o dialeto russo do Sul e tão baixo quanto 5% para o dialeto de Moscovo; isto é verdade se utilizar um sotaque caucasiano, uma vez que a utilização do WER de um orador caucasiano pode ser uma faixa superior de 18-22%.

Em relação ao uso de Dialeto, por exemplo, o modo de discurso "Tsokanye" utilizado no Norte da Rússia é um desvio do modelo padrão e, como tal, se isto se tornar o seu público predominante ao utilizar um modelo de reconhecimento de fala/transcrição para processar gravações, beneficiaria muito de um Ajuste Fino do modelo para uso com este público.

Uma alternativa para garantir a precisão de modelos que utilizam vários dialetos é utilizar Transcrição "multi-pass" — isto envolveria executar a transcrição inicial através do modelo principal e depois executá-la através de um modelo específico de dialeto-sotaque seguido de comparação dos resultados gerais (por pontuação de confiança). Este procedimento atrasa o tempo de processamento em aproximadamente 2x (i.e. 1 hora para processar requer 2 horas para processamento), mas o resultado final produz um aumento de 8-12% na precisão.

Qual é a diferença entre transcrição automática e manual?

Transcrição Automática é definida como o processamento de transcrição baseado em algoritmo — A velocidade de processamento pode variar de Tempo Real a 10x a velocidade de Tempo Real (i.e. processar uma Hora de áudio pode ser feito numa GPU em aproximadamente 6 minutos). A precisão para Transcrição Automática normalmente varia de 85% a 98%. Os custos para Transcrição Automática normalmente variam de ₽0,70 a ₽5,00 por minuto de transcrição processada.

Transcrição Manual é definida como Transcrição Alternativa Baseada em Humanos — A Transcrição Manual requer aproximadamente 4-6 horas para processar uma Hora de áudio; A Precisão para Transcrição Manual é normalmente de 99% a 100%. Os custos para Transcrição Manual normalmente variam de ₽150,00 a ₽600,00 por minuto de transcrição processada.

A abordagem Híbrida utiliza Automação + Revisão Manual — Este método produziria transcrição dentro de 10 minutos pelo modelo seguido de edição dentro de 30-40 minutos. Portanto, este método produziria um tempo de processamento total de aproximadamente 50 minutos em comparação com o tempo médio de processamento de 5 horas utilizando Transcrição Manual, enquanto reduz os custos para aproximadamente ₽30,00 a ₽80,00 por minuto. A abordagem Híbrida é muito eficaz para processar 70% das transcrições típicas, na medida em que o Modelo de Automação pode ser utilizado para produzir o rascunho original e as Melhorias de Precisão/Qualidade podem ser feitas por um Revisor Humano.

Existem serviços completamente gratuitos sem limites?

Não existem Serviços Completamente Gratuitos Sem Limites, uma vez que a infraestrutura para executar os serviços tem um custo financeiro associado. Mas existem soluções para necessidades básicas. Consulte os modelos de automação para encontrar opções gratuitas prontas a usar - ASCN.AI.