Diferenças entre Reconhecimento de Fala, Transcrição, Degravação e Revisão Humana

Recommended resources

The freely available resources this lesson will direct you to.

Olá! Começamos pelos fundamentos que sustentam todo o curso: o caminho entre uma fala gravada e um texto que possa ser consultado com confiança. Nesta primeira lição, você distinguirá reconhecimento automático de fala (ASR), transcrição automática, degravação e revisão humana. A distinção é importante tanto para interpretar questões de certo ou errado quanto para explicar, em uma resposta discursiva, por que produzir texto com IA não encerra o trabalho de registro de uma sessão parlamentar.

Reconhecer fala não é concluir um documento

Imagine uma audiência gravada. O arquivo contém vozes, mas também pode conter silêncio, ruídos e falas simultâneas. Um sistema de reconhecimento automático de fala, ou ASR (Automatic Speech Recognition), analisa o áudio e estima quais palavras foram pronunciadas. ASR é, portanto, o nome da tecnologia ou tarefa de reconhecer fala por máquina.

A transcrição automática é o texto produzido por esse reconhecimento — ou, conforme o contexto, o processo automatizado que o produz. Ela não precisa ser uma sequência inteiramente «crua» de palavras: um serviço pode também acrescentar pontuação, horários e rótulos de falantes. Ainda assim, esses elementos podem conter erros. Tampouco a transcrição automática é, por si, um resumo, uma ata ou um registro institucional aprovado.

Assista aos trechos selecionados para observar a diferença entre a capacidade do sistema e o trabalho documental que permanece depois dele:

Reconhecimento de Fala | Câmara dos Deputados: ASR e Transcrição | Ep. 1

Em “Reconhecimento de Fala | Câmara dos Deputados: ASR e Transcrição | Ep. 1”, do canal Concursando com IA, acompanhe a definição de ASR e o papel atribuído à intervenção humana.

Veja a definição de ASR, atentando ao que a conversão de som em texto não faz. Em preparo e revisão, observe por que o contexto e a conferência humana continuam relevantes. Por fim, em a saída inicial, note a distância entre o texto produzido pelo sistema e a documentação institucional concluída.

A distinção central até aqui é entre capacidade e resultado: o ASR reconhece fala; a transcrição automática é uma saída dessa atividade. Dizer que uma sessão «foi transcrita automaticamente» não informa, por si só, se alguém conferiu o texto com a gravação.

Onde entra a degravação?

Degravação é a passagem do conteúdo de uma gravação para um registro escrito com atenção à fidelidade ao que foi dito, geralmente para documentação e consulta. Pode ser feita manualmente ou com apoio de uma transcrição automática. No contexto parlamentar, o texto precisa permitir que falas relevantes sejam recuperadas e compreendidas sem atribuir aos oradores palavras que não pronunciaram.

Leia a explicação em português a seguir. Use-a para identificar a finalidade da degravação, não para presumir que exista uma fronteira rígida e universal entre os termos:

Degravação: o que é e diferença para transcrição de áudio

O texto da Dígitro apresenta a degravação como registro fiel de falas gravadas e compara esse uso com outras finalidades da transcrição.

Na subseção “O que é degravação?”, leia desde a frase que começa “Degravação é a conversão do conteúdo falado” até o parágrafo que termina em “preservando o conteúdo da fala para análise, arquivamento ou compartilhamento”. Use a caracterização para observar o sentido de fidelidade empregado ali. Depois, vá à subseção “Qual a diferença entre degravação e transcrição de áudio?”, após “O que é degravação de áudio e vídeo?”. Leia seus parágrafos iniciais, a tabela comparativa e o parágrafo final, que começa “A escolha entre degravação e transcrição depende do objetivo do material”. Em esse fechamento, concentre-se no critério de escolha: a finalidade do texto.

Há uma nuance decisiva para a prova: «transcrição» é um termo amplo, que também pode designar um trabalho humano, uma versão limpa para leitura ou o próprio ato de registrar a fala. «Degravação» frequentemente enfatiza o registro fiel de uma gravação, mas os termos podem se sobrepor no uso cotidiano. Não seria correto afirmar que toda transcrição é pouco fiel, nem que uma degravação tem obrigatoriamente de ser feita sem IA. O que importa é saber como o texto foi produzido, para qual finalidade e com que grau de conferência.

A imagem abaixo, voltada a audiências, torna visível uma precaução útil também para compreender registros parlamentares: não tomar um trecho transcrito como conferido apenas porque já existe texto.

Quadro sobre degravação de audiência: localizar a gravação, transcrever, conferir o texto com o áudio e indicar o minuto ao citar. É uma ilustração de rastreabilidade, não uma regra jurídica para sessões parlamentares.

Revisão humana é uma atividade de verificação

A revisão humana não é outra tecnologia de reconhecimento, nem um simples corretor ortográfico. É a atividade pela qual uma pessoa confronta o texto com o áudio e com os critérios definidos para o documento. Ela pode ocorrer sobre uma transcrição automática ou sobre um texto inicialmente produzido por outra pessoa; pode integrar a própria degravação.

Considere um exemplo fictício. Na gravação, um orador diz: «Não houve acordo. Peço vista.» O ASR entrega: «Houve acordo. Peço vista.» A diferença de uma palavra inverte uma informação importante. O revisor não deve escolher a versão que parece mais provável pelo contexto: deve voltar à gravação para confirmar se o «não» foi pronunciado. Se o som não permitir uma conclusão segura, a conduta fiel é registrar a incerteza conforme a convenção adotada e encaminhar o trecho para nova conferência — não inventar uma fala.

A revisão pode detectar, entre outras falhas, palavras omitidas ou trocadas, trechos acrescentados, pontuação que muda o sentido e falas atribuídas ao orador errado. Também pode organizar o texto para leitura, desde que a intervenção editorial não seja apresentada como se fosse a fala original. Os critérios específicos de edição e formatação serão estudados adiante; por ora, retenha a regra de fundo: revisar é verificar e justificar a representação escrita da fala, não aperfeiçoar livremente o discurso do orador.

Uma conferência humana também não transforma automaticamente qualquer texto em documento aprovado, nem garante infalibilidade. São decisões distintas: corrigir o que se ouviu, aplicar um padrão editorial e aprovar a versão destinada a determinado uso.

Quatro termos, quatro perguntas diferentes

Termo	Pergunta que ajuda a identificá-lo
ASR	Que tecnologia reconhece palavras no áudio?
Transcrição automática	Que texto foi gerado automaticamente a partir da fala?
Degravação	Como a gravação é convertida em registro escrito fiel, adequado à finalidade documental?
Revisão humana	Quem confere e corrige o texto à luz do áudio e dos critérios adotados?

A tabela separa conceitos, não impõe quatro etapas independentes. Um profissional pode degravar ouvindo diretamente o áudio; uma equipe pode iniciar pela transcrição automática e revisá-la para compor a degravação. Nesse segundo caso, a IA fornece uma base de trabalho, e a pessoa responde pela conferência que realiza.

Em uma questão de certo ou errado, desconfie de afirmações absolutas como «o ASR dispensa revisão», «degravação é sempre manual» ou «transcrição automática já é, necessariamente, um registro fiel e final». Para uma resposta discursiva, a formulação mais precisa é: o ASR produz uma hipótese textual da fala; essa saída pode apoiar a degravação, mas a fidelidade exigida pelo uso documental depende de critérios explícitos e de conferência com a gravação.

Em síntese

ASR é o reconhecimento por máquina; transcrição automática é sua saída textual; degravação é o trabalho de converter a gravação em registro escrito fiel; revisão humana é a conferência do texto, sobretudo contra o áudio. Esses conceitos se relacionam, mas não são sinônimos, e uma atividade pode fazer parte de outra.

Na próxima lição, examinaremos o próprio áudio: por que características da gravação, como amostragem, canais e compressão, influenciam o material recebido pelo sistema de reconhecimento.