Transcrever gravações longas: divida com critério, em vez de torcer para dar certo

Uma palestra de 90 minutos, um dia de congresso, uma entrevista narrativa longa: gravações assim são normais assim que você transcreve com regularidade. Mandar uma delas para um modelo de uma vez só parece prático, até que uma falha no minuto 80 custa o arquivo inteiro, a transcrição vira um bloco ilegível ou sua cota de uso acaba. Dividir antes é mais rápido, e um erro custa alguns minutos em vez de duas horas.

Quando dividir realmente vale a pena?

Nem todo arquivo longo precisa ser cortado. Três perguntas decidem: o arquivo cabe nos limites do serviço, você precisa de rótulos de falante consistentes ao longo de toda a duração, e quão incômodo seria repetir a execução? No Sprechverlauf, o teste gratuito cobre arquivos de até 10 minutos; um plano permite até 4 horas de uma vez, e gravações longas já são divididas internamente em seções de 30 minutos. Dividir por conta própria ainda compensa quando você quer enviar seções separadamente ou refazer apenas uma delas.

A única regra: nunca corte no meio de uma frase

O reconhecimento de fala funciona com base no contexto. Se você corta uma frase ao meio, as duas metades perdem o sentido: a primeira termina no vazio, a segunda começa sem referência. Isso pesa mais em termos técnicos e nomes próprios, justamente onde o modelo se apoia nas palavras ao redor. Corte durante uma pausa — de preferência num ponto em que o assunto já muda.

• Corte entre itens da pauta, slides ou rodadas de perguntas
• Deixe de dois a três segundos de sobreposição para que nenhuma palavra desapareça na emenda
• Descarte por completo a saudação, a checagem de áudio e a despedida
• Remova antes os trechos só com música, aplausos e montagem de equipamento
• Nomeie as partes em ordem: “aula-01”, “aula-02”, e não “novo” e “novo-final”

Dividir com ffmpeg: dois comandos bastam

O ffmpeg é gratuito, roda em qualquer sistema e não recodifica seu áudio a menos que você peça. Este comando corta um arquivo em seções de 25 minutos (1500 segundos) e deixa o áudio intacto:

• ffmpeg -i aula.m4a -f segment -segment_time 1500 -c copy parte_%02d.m4a
• ffmpeg -i aula.wav -ac 1 -b:a 64k aula.mp3 (reduz bastante gravações de fala antes de dividir)
• ffmpeg -i aula.m4a -ss 00:12:30 -to 00:41:00 -c copy trecho.m4a (corta uma seção específica)

Mono com 64 kbit/s parece drástico, mas não compromete a fala: o modelo não precisa de largura estéreo nem de resolução de qualidade musical. Uma hora de conversa cabe com folga em cerca de 30 MB. Guarde o original e trabalhe com a cópia menor — você sempre divide a cópia, nunca o arquivo mestre.

Dividir sem linha de comando

Se você preferir não abrir o terminal, o Audacity leva você até o mesmo ponto: abra o arquivo, selecione um intervalo e depois “Arquivo → Exportar → Exportar áudio selecionado”. A visualização da forma de onda tem uma vantagem real sobre a linha de comando: as pausas aparecem como trechos estreitos, então você vê o ponto de corte em vez de adivinhá-lo. No celular, os apps de gravação de voz que já vêm instalados fazem o mesmo trabalho, só que de forma mais grosseira.

Depois de dividir: as marcas de tempo recomeçam do zero

Cada transcrição conta a partir do início do próprio arquivo. A segunda parte de uma palestra, portanto, começa de novo em 00:00, embora de fato comece no minuto 25. Ao juntar as partes, você precisa somar o deslocamento inicial a cada marca de tempo, senão todas as suas referências apontam para o lugar errado. Para arquivos SRT e VTT, a maioria dos editores de legenda faz isso numa função chamada “shift” ou “offset times”.

• Anote o deslocamento inicial de cada parte antes de perder de vista o arquivo original
• Acrescente um subtítulo por parte ao juntar exportações de texto
• Cite trechos com número da parte e horário, por exemplo “parte 2, 07:41”
• Junte as legendas somente depois de ajustar os horários

Rótulos de falante não passam de uma parte para a outra

A detecção de falantes analisa cada arquivo isoladamente. “Falante 1” na parte um e “Falante 1” na parte dois não precisam ser a mesma pessoa — nenhuma das execuções sabe da outra. Isso é uma propriedade do método, não um erro. Na prática: ouça os primeiros segundos de cada parte e substitua os rótulos genéricos pelos nomes reais antes de juntar as seções.

Quando a atribuição consistente de falantes importa mais do que tudo — uma audiência, por exemplo, ou uma discussão em grupo com seis participantes —, vale a pena não dividir, informar o número de falantes e aceitar o tempo de processamento extra.

Uma ordem de trabalho que funciona

• Arquive o original e crie uma cópia de trabalho em MP3 mono
• Ouça a gravação uma vez e marque os pontos de corte nas pausas
• Divida em seções de 20 a 30 minutos, numeradas em ordem
• Transcreva as seções uma a uma, definindo antes o idioma e os termos-chave
• Substitua os rótulos de falante pelos nomes reais em cada seção
• Desloque as marcas de tempo pelo deslocamento inicial e junte os textos
• Confira por amostragem números, nomes e citações contra o áudio