Reconhecimento automático de fala

É a tecnologia que converte áudio de fala em texto. Está por trás de assistentes de voz, transcrições de reuniões, legendas automáticas e análise de ligações. Os modelos atuais lidam bem com sotaques, ruído de fundo e vários idiomas, mas ainda erram com frequência em nomes próprios, siglas e jargões específicos de uma área. Por isso, a taxa de erro varia muito de acordo com o vocabulário do contexto. A tarefa inversa é a síntese de voz (TTS, text-to-speech), que transforma texto em fala. Juntas, permitem construir interfaces de voz completas, em que a pessoa fala, o sistema entende, processa e responde falando.

Em Produto, a transcrição costuma ser um insumo, não o produto final. O valor vem do que se faz com o texto: classificar o motivo de uma ligação, resumir uma reunião, extrair compromissos, medir a qualidade de um atendimento. Ao avaliar uma solução de reconhecimento de fala, vale testar com áudios do seu contexto, porque os benchmarks dos fornecedores não cobrem o vocabulário da sua operação. Uma taxa de erro geral baixa pode esconder erros sistemáticos nos termos que mais importam. Para interfaces de voz em tempo real, a latência é crítica: transcrever, processar e sintetizar a resposta precisam caber em poucos segundos para a conversa parecer natural.

Use reconhecimento de fala (ASR) quando a fonte é voz e o processamento acontece em texto. Use síntese de voz (TTS) quando o sistema precisa responder falando. Use NLP ou LLM para as etapas que acontecem depois da transcrição, como entender a intenção ou resumir o conteúdo. Uma forma simples de diferenciar: ASR transforma voz em texto; TTS transforma texto em voz; o que acontece entre os dois é processamento de linguagem.

Sistemas da Bell Labs (anos 1950); Whisper (OpenAI, 2022) tornou transcrição robusta acessível. Síntese de voz (TTS) é a tarefa inversa.

Radford et al., Robust Speech Recognition via Large-Scale Weak Supervision (Whisper, 2022)