Como funciona o ditado por voz: o guia completo (2026)

Prime-se uma tecla, fala-se, e alguns segundos depois aparece no ecrã uma frase limpa. Entre ambos os momentos acontece muito mais do que se imagina: uma onda sonora transforma-se numa sequência de números, esses números transformam-se numa imagem, essa imagem transforma-se em texto, e esse texto transforma-se finalmente numa frase corretamente escrita. Este guia percorre cada uma dessas etapas, sem jargão desnecessário mas sem simplificar em excesso. No final, ficará claro por que o ditado do telemóvel obriga a dizer «vírgula» enquanto outras ferramentas tratam disso sozinhas, por que o mesmo modelo entende perfeitamente o vizinho e tropeça no nome do cliente, e por onde passa realmente a voz durante a operação.

As quatro etapas num relance

Todo o ditado por voz moderno se apoia na mesma cadeia. O que distingue umas ferramentas das outras quase nunca é a primeira etapa: é o facto de executar ou não a terceira.

Os ditados integrados nos sistemas operativos e nas suites de escritório param na etapa 2. É o caso da escrita por voz do Windows, do ditado do macOS, do de iOS, do ditado por voz do Gboard no Android e da escrita por voz do Google Docs. As ferramentas chamadas «IA» acrescentam a etapa 3, e aí reside toda a diferença entre uma transcrição e um texto que se pode enviar tal e qual. Detalhámos o comportamento de cada uma nos nossos guias dedicados ao iPhone, ao Android, ao Word e às ferramentas de voz da Google.

Etapa 1: a voz transforma-se em números

A amostragem

Quando se fala, as cordas vocais fazem vibrar o ar. Essa vibração é uma variação contínua de pressão. A membrana do microfone segue essas variações e converte-as em tensão elétrica, e depois a placa de som mede essa tensão a intervalos regulares. Cada medição chama-se amostra.

Para a fala, a frequência de amostragem padrão é de 16 000 amostras por segundo, ou seja 16 kHz. Um minuto de ditado equivale, portanto, a cerca de 960 000 números. Esse valor de 16 kHz não é arbitrário: o teorema de amostragem de Nyquist-Shannon obriga a medir pelo menos ao dobro da velocidade da frequência mais alta que se quer conservar. Como a maior parte da informação que distingue um «s» de um «f» se situa abaixo dos 8 kHz, 16 kHz bastam. É também a razão pela qual o ditado não precisa em absoluto da qualidade de CD a 44,1 kHz: os dados adicionais não acrescentariam nada ao reconhecimento e apenas sobrecarregariam o cálculo e a transferência. Não se trata de uma convenção oficiosa: o artigo de investigação do Whisper precisa que todo o áudio é levado a 16 000 Hz antes do processamento.

O espectrograma: a imagem que o modelo «vê» realmente

Uma sequência em bruto de 960 000 números é muito difícil de aproveitar diretamente. Por isso é transformada em algo muito mais legível para uma rede neuronal.

O princípio: a gravação é dividida em pequenas janelas sobrepostas de 25 milissegundos, avançadas 10 milissegundos de cada vez. Para cada janela, uma transformada de Fourier calcula que frequências estão presentes e com que intensidade. Ao empilhar todos esses resultados lado a lado obtém-se uma imagem: o espectrograma. O eixo horizontal representa o tempo, o vertical as frequências, e a intensidade luminosa a energia presente nessa frequência nesse instante. Esses valores de 25 e 10 milissegundos são exatamente os que o Whisper emprega.

Uma última subtileza: a escala de frequências não é linear, está comprimida em direção aos agudos. Fala-se de escala Mel, decalcada da perceção humana, que distingue muito mais finamente a diferença entre 200 e 300 Hz do que a que há entre 8000 e 8100 Hz. Em concreto, a imagem final contém apenas algumas dezenas de bandas de frequência: o Whisper usa 80, e 128 na sua versão large-v3. É uma redução massiva da informação, mas conserva precisamente o que permite distinguir os sons da fala.

Etapa 2: a transcrição, da imagem ao texto

Whisper, o padrão de facto

Até cerca de 2020, o reconhecimento de voz baseava-se em sistemas que combinavam vários componentes separados: um modelo acústico, um dicionário de pronúncia e um modelo de linguagem. Funcionavam, mas exigiam um ajuste minucioso para cada idioma e degradavam-se rapidamente assim que o áudio saía das condições previstas.

A viragem veio dos modelos de extremo a extremo, dos quais o mais conhecido é o Whisper, publicado como código aberto pela OpenAI no final de 2022. O seu interesse reside menos na arquitetura do que no treino. A versão original foi treinada com 680 000 horas de áudio recolhido na web juntamente com as transcrições correspondentes, das quais 117 000 horas cobrem 96 idiomas distintos do inglês, segundo detalha o artigo de investigação associado. A geração seguinte voltou a mudar de escala: a versão large-v3 apoia-se num milhão de horas de áudio fracamente anotado, complementado com quatro milhões de horas transcritas automaticamente pelo modelo anterior.

A essa escala, o modelo viu tantas vozes, sotaques, microfones medianos e ruídos de fundo que se mantém robusto com o som do dia a dia, e não apenas com áudio de estúdio. Hoje cobre cerca de cem idiomas dentro de um único modelo. Foi isso que o tornou o padrão sobre o qual se apoia boa parte das ferramentas de ditado recentes.

Codificador, descodificador e tokens

O modelo compõe-se de duas metades que trabalham uma após a outra.

• O codificador lê o espectrograma em blocos de 30 segundos e condensa-o numa representação interna. Pode ver-se como um resumo numérico denso que retém, para cada instante, o que importa do ponto de vista da fala e descarta o resto.
• O descodificador produz o texto pedaço a pedaço. Em cada passo olha tanto para esse resumo de áudio como para tudo o que já escreveu, e depois prevê o fragmento de texto seguinte mais provável.

Esses fragmentos chamam-se tokens. Um token não é uma palavra: é antes um pedaço de palavra, frequentemente de três ou quatro carateres. As palavras muito frequentes formam um único token, enquanto um termo pouco comum como «eletroencefalografista» ocupa vários. Essa divisão permite ao modelo tratar qualquer idioma e qualquer palavra inédita com um vocabulário de tamanho razoável.

Porque é que o contexto elimina os homófonos

Aqui joga-se o essencial do progresso dos últimos dez anos. Como o descodificador tem em conta o que já escreveu, não escolhe as palavras apenas pelo som. Tomemos «cem» e «sem», «acender» e «ascender», «coser» e «cozer», «censo» e «senso»: estas formas são acusticamente idênticas ou muito próximas em português. Nenhum tratamento do sinal as separará alguma vez. Em contrapartida, um modelo que leu milhões de frases sabe que «um facto provado» é muito mais provável do que outras hipóteses foneticamente próximas.

O mesmo mecanismo explica os erros. O modelo não procura a verdade, procura a continuação mais provável. Perante um nome próprio pouco frequente ou um termo de setor pouco representado nos seus dados, proporá com total segurança uma palavra comum que soa igual. Por isso o vocabulário personalizado é um tema real, ainda que se aborde na etapa seguinte e não nesta.

Como se mede a qualidade: o WER

O indicador de referência é o WER, do inglês Word Error Rate, taxa de erro de palavra. Compara-se a transcrição produzida com uma transcrição de referência elaborada por uma pessoa, contam-se três tipos de erro e depois divide-se o total pelo número de palavras da referência.

• Substituições: uma palavra foi substituída por outra.
• Inserções: foi adicionada uma palavra que nunca foi pronunciada.
• Omissões: uma palavra pronunciada perdeu-se.

Um WER de 5% significa que uma palavra em cada vinte está incorreta. Convém, no entanto, uma precaução: o WER não significa nada em abstrato, depende inteiramente do corpus de teste. O mesmo modelo pode marcar 3% com leituras de audiolivros gravadas com auscultadores e 20% numa reunião com várias vozes numa sala com eco. Dois valores de WER só são comparáveis se vierem do mesmo conjunto de avaliação, algo que as comunicações comerciais raramente precisam.

Etapa 3: a limpeza com IA, o que separa uma transcrição de um texto

Suponhamos que a etapa 2 fosse perfeita: cada palavra pronunciada reconhecida corretamente. Continuaria sem ter um texto utilizável, e por uma razão muito simples: não se fala como se escreve. Uma transcrição fiel devolve as hesitações, as retificações, os bordões e as frases que mudam de rumo a meio caminho. É fiel, e esse é precisamente o problema.

Essa transformação é o trabalho de um grande modelo de linguagem situado por trás da transcrição. Em concreto, encarrega-se de:

• A pontuação e a divisão em frases, que não foram pronunciadas e que, portanto, têm de ser deduzidas da estrutura do discurso.
• A eliminação das hesitações e dos arranques falhados, sem alterar o sentido do que se queria dizer.
• A gramática e a concordância, muitas vezes aproximativas na fala.
• A formatação esperada: um email não tem o mesmo aspeto que uma nota interna ou uma mensagem breve. As ferramentas mais avançadas permitem definir regras de formatação próprias, aplicadas a cada ditado.
• O vocabulário profissional e os nomes próprios, a partir de uma lista fornecida pelo utilizador. É o remédio para o problema dos homófonos descrito antes, e funciona melhor do que se pensa: o nome do cliente não precisa de ser conhecido pelo modelo de transcrição, basta que seja conhecido pela etapa de correção, que restabelecerá a ortografia exata a partir de uma aproximação fonética.

Etapa 4: a inserção na aplicação

A etapa menos espetacular e, no entanto, a que determina se a ferramenta é utilizável diariamente. O texto final tem de chegar onde se escreve, sem passar por uma área de transferência ou uma janela intermédia.

Aqui confrontam-se duas famílias de ferramentas. Os ditados ligados a uma aplicação concreta, como o do Word ou a escrita por voz do Google Docs, só funcionam dentro dessa aplicação, às vezes até apenas num navegador determinado. As ferramentas de sistema, pelo contrário, instalam-se como uma camada por cima de tudo o resto: escutam um atalho de teclado global e depois escrevem o resultado na posição do cursor, seja qual for a janela ativa. Um campo de pesquisa, um email, um ticket, um terminal: tudo o que aceita texto aceita ditado.

Tecnicamente, essa inserção realiza-se ou simulando pressionamentos de teclas, ou através das interfaces de acessibilidade do sistema operativo. Essa diferença, invisível no uso, explica que uma ferramenta funcione perfeitamente num processador de texto e falhe numa aplicação com uma renderização gráfica particular, como certos jogos ou ambientes remotos.

Quanto tempo demora tudo isto?

Contrariamente a uma intuição generalizada, o tempo de processamento não coincide com a espera percebida, porque as etapas não se desenrolam todas depois de se terminar de falar. A captura e a preparação do espectrograma fazem-se em tempo real, enquanto se fala. Restam a transcrição e a limpeza, que se executam ao soltar o atalho.

Três fatores dominam o resultado. Primeiro, a potência de cálculo disponível: as placas gráficas de centro de dados processam uma gravação de vários minutos numa fração do tempo que um portátil levaria. Depois, o número de idas e voltas de rede, que uma cadeia bem concebida reduz ao mínimo fundindo transcrição e limpeza em vez de as encadear como duas chamadas separadas. Por fim, a divisão do áudio: dado que o modelo raciocina por blocos de 30 segundos, uma gravação longa pode ser processada em blocos em paralelo em vez de estritamente em sequência.

Daí deriva um ponto contraintuitivo: o tempo de espera não cresce de forma proporcional à duração do ditado. Numa cadeia bem concebida, duplicar a extensão do ditado não duplica a espera, o que torna os ditados longos bastante mais rentáveis do que as frases soltas.

Onde se executam estes modelos: no computador ou num servidor?

A cadeia descrita aqui é a mesma em todo o lado. O que muda de uma ferramenta para outra é o local onde se executa cada etapa, e essa escolha tem consequências diretas sobre o que se obtém.

• Tudo em local. O áudio nunca sai da máquina, o que representa o máximo em matéria de confidencialidade e funciona sem ligação. Na prática obtêm-se as etapas 1, 2 e 4, raramente a 3, por falta da potência que um grande modelo de limpeza exige.
• Transcrição e limpeza num servidor. O áudio viaja para uma infraestrutura concebida para estes cálculos, o que torna possível a cadeia completa em qualquer computador, mesmo um portátil leve sem placa gráfica dedicada. Em troca, é preciso ligação e depende-se dos compromissos do fornecedor sobre conservação e localização dos dados.

Este equilíbrio merece um tratamento próprio: detalhámo-lo em ditado por voz local frente à nuvem.

O vocabulário, sem confusões

Quatro termos são frequentemente usados um pelo outro, embora designem coisas distintas.

O que determina realmente a qualidade

Com o mesmo modelo, o resultado pode ir de excelente a medíocre. Os fatores que mais pesam, por ordem:

• A relação entre a voz e o ruído ambiente. Não conta o volume do ruído, mas a sua distância em relação à voz. Um microfone de auscultadores, ou os microfones de um portátil recente a uma distância razoável, chegam perfeitamente; um microfone na outra ponta de uma sala grande é o principal fator de degradação.
• A reverberação. Uma sala vazia com teto alto devolve a voz com um desfasamento, o que embaça os padrões do espectrograma muito mais do que um ruído constante de ventilação.
• O ritmo e a articulação. Falar depressa não é um problema em si, comer os finais de palavra sim.
• Os nomes próprios e o jargão. O ponto fraco estrutural explicado acima, e a razão de ser das listas de vocabulário personalizado.
• O idioma e a mistura de idiomas. Os modelos são claramente melhores em inglês do que noutros idiomas, simplesmente porque há mais dados de treino. Alternar dois idiomas dentro da mesma frase continua a ser o caso mais difícil.
• A extensão das passagens. Um contexto mais amplo ajuda o modelo a resolver ambiguidades: um ditado de várias frases costuma dar melhor resultado do que três palavras soltas.

O que acontece à voz durante tudo isto

Uma vez compreendida a cadeia, a questão dos dados torna-se muito mais concreta. Não se trata de saber se uma ferramenta é «segura» em abstrato, mas de saber o que acontece a três objetos bem identificados: a gravação de áudio, a transcrição em bruto e o texto final.

Três perguntas bastam para delimitar o tema, e valem para qualquer ferramenta:

• Estes elementos são conservados após o processamento, e nesse caso durante quanto tempo?
• São reutilizados para treinar modelos? É uma questão distinta da conservação, e resolve-se nas condições de uso.
• Sob que jurisdição ocorre o tratamento? Um servidor fisicamente situado na Europa mas operado por uma entidade sujeita ao direito norte-americano não responde à mesma pergunta que um tratamento realizado na Europa por uma entidade europeia.

Uma gravação de voz é um dado pessoal no sentido do RGPD, e o seu conteúdo pode sê-lo muito mais ainda consoante o que se ditar. Estes três pontos são detalhados no nosso guia ditado por voz e RGPD.

O essencial

O ditado por voz não é uma caixa negra. É uma cadeia de quatro operações bem identificadas, e quase todas as perguntas que se colocam a este respeito reduzem-se a uma etapa concreta dessa cadeia.

• Um resultado dececionante num ambiente ruidoso joga-se na etapa 1, e corrige-se com um melhor microfone antes de um melhor programa.
• Um erro num nome próprio ou num termo profissional joga-se na etapa 2, e corrige-se com uma lista de vocabulário.
• A ausência de pontuação, as hesitações deixadas tal e qual e o texto que é preciso retrabalhar jogam-se na etapa 3, simplesmente ausente na maioria das ferramentas integradas.
• A impossibilidade de ditar nesta ou naquela aplicação joga-se na etapa 4, e depende da arquitetura da ferramenta, não da qualidade do seu reconhecimento.

Resta a pergunta que atravessa toda a cadeia: o equilíbrio entre a potência necessária para as etapas 2 e 3 e a confidencialidade do que se dita. Esse é o verdadeiro tema de fundo, e decide-se no momento de escolher uma ferramenta, não depois.

Perguntas frequentes