O que um chatbot faz bem
Alguns assistentes de chat aceitam um arquivo de áudio. Envie um recado de voz de dois minutos com uma única voz clara e você pode receber um texto utilizável. Os chatbots também são bons no que vem depois da transcrição: com o texto em mãos, eles podem resumi-lo, extrair tarefas a fazer ou transformá-lo em um e-mail. Se a sua gravação é curta e você só precisa da ideia geral, talvez isso já baste.
Onde dá errado
- Limites de envio. Os assistentes que aceitam áudio limitam o tamanho e a duração do arquivo, e alguns nem aceitam áudio. Uma gravação longa muitas vezes precisa ser cortada em pedaços e enviada um de cada vez.
- Texto encurtado. Uma janela de chat foi feita para dar uma resposta, não para devolver quarenta páginas. Numa gravação longa, o assistente tende a condensar, pular trechos ou parar no meio.
- Sem identificação confiável de quem fala. Em uma entrevista ou reunião, você precisa saber quem disse o quê. Os chatbots não marcam as trocas de voz de forma confiável, e você acaba conferindo cada mudança de voz com o áudio.
- Sem marcação de tempo confiável. Sem o horário de cada fala, você não consegue voltar ao áudio para conferir uma citação.
- Nenhum arquivo para trabalhar. Você recebe texto em um chat, não um documento que possa entregar a alguém.
O texto encurtado é o mais difícil de perceber. Uma transcrição condensada se lê com fluidez, então nada indica que dez minutos do meio ficaram de fora.
Por que isso acontece
Transformar fala em texto exige um modelo de reconhecimento de voz e tempo real de processamento sobre o áudio. Um assistente de chat genérico é configurado para responder a uma mensagem dentro de limites do quanto consegue receber e do quanto consegue escrever de volta. Uma gravação longa ultrapassa os dois.
O lado da resposta é fácil de subestimar. No nosso teste com quatro tarefas longas, traduzir um arquivo de legendas de 85 minutos e 1.200 linhas exigiu de cada modelo entre 38.000 e 56.000 tokens de saída. A transcrição completa de uma gravação de duas horas dá uma resposta do mesmo tamanho. Se ela chega inteira depende de quanto o aplicativo permite que uma única resposta comporte.
Uma ferramenta própria de fala para texto é construída ao contrário: processa o arquivo inteiro em partes, mantém a marcação de tempo de cada parágrafo e guarda o resultado como um documento que você pode editar e exportar.
Como testar por conta própria
Pegue uma gravação que você conhece bem, com pelo menos vinte minutos e duas pessoas conversando.
- Peça a um chatbot que a transcreva palavra por palavra, com marcação de tempo.
- Observe se o envio é aceito.
- Escolha uma frase de que você se lembra perto do final e procure por ela no resultado.
- Compare a contagem de palavras com uma estimativa aproximada: a maioria das pessoas fala entre 130 e 160 palavras por minuto.
Se a frase do final estiver lá e a contagem de palavras estiver dentro da faixa, sua gravação cabe na categoria fácil. Se o texto vai rareando perto do fim, você tem um resumo, não uma transcrição.
O que usar no lugar
Use uma ferramenta feita para gravações longas. Nossa ferramenta Áudio e vídeo longos em texto divide a gravação em partes, transcreve cada parte por completo com marcação de tempo e junta tudo na ordem. Ela aceita arquivos de áudio e vídeo de até 2 GB e 6 horas, escreve cada parte no idioma falado e pode adicionar uma tradução abaixo de cada parágrafo. Você baixa em TXT ou Word. Há um exemplo pronto na demonstração.
A primeira parte é grátis, sem cadastro. A gravação inteira custa $5, pagamento único, sem assinatura. O Ilimitado custa $19 por semana (renova semanalmente, cancele quando quiser), cobre todas as ferramentas do site e aceita gravações de até 12 horas por tarefa.
Se as gravações forem mensagens de voz dentro de uma conversa do WhatsApp, use a Conversa do WhatsApp em PDF: ela transcreve cada mensagem de voz no ponto da conversa em que foi enviada.