Transcrever gravações em outros idiomas: o que os modelos fazem bem e onde tropeçam

Quem estuda, pesquisa ou trabalha internacionalmente acaba com gravações em mais de um idioma: uma entrevista em turco, uma gravação familiar em árabe, uma palestra convidada em inglês, uma reunião em que polonês e alemão se misturam. O reconhecimento de fala moderno lida com isso surpreendentemente bem — desde que você conheça os pontos fracos.

Quantos idiomas os modelos reconhecem?

O Whisper da OpenAI foi treinado em 99 idiomas; o Sprechverlauf usa o rápido Whisper Large v3 Turbo no teste gratuito. O Microsoft MAI-Transcribe-2, o modelo dos planos pagos, suporta 60 idiomas segundo sua ficha técnica, e também separa os falantes. A Microsoft informa uma taxa média de erro de palavras de 5,2% no benchmark FLEURS. Trata-se de uma média: idiomas grandes, com muitos dados de treinamento, vão melhor; os menos comuns, pior.

Armadilha 1: idiomas muito parecidos

Croata, sérvio e bósnio; hindi e urdu; malaio e indonésio: esses idiomas soam tão parecidos que a detecção automática de idioma pode errar em trechos curtos. Uma entrevista em sérvio pode sair com ortografia croata, ou o urdu aparecer em devanágari em vez do alfabeto árabe. A correção é simples: selecione o idioma explicitamente antes de começar.

Armadilha 2: dialetos e gírias

O árabe é o exemplo mais claro: o árabe egípcio, levantino e marroquino diferem muito, mas a maior parte da escrita usa o árabe padrão moderno. Os modelos tendem a suavizar o dialeto falado em direção à língua padrão ou a ouvir mal palavras regionais. O mesmo vale, em menor grau, para o alemão suíço, o português do Brasil ou o cantonês.

Armadilha 3: idiomas tonais e escritas sem espaços

No chinês, no vietnamita ou no tailandês, a entonação muda o sentido de uma sílaba. Reverberação, música e compressão forte borram exatamente isso — uma gravação limpa conta em dobro aqui. Chinês, japonês e tailandês também não separam as palavras com espaços; o modelo precisa definir sozinho os limites entre elas. Confira nomes e termos técnicos com cuidado.

Armadilha 4: trocar de idioma no meio da conversa

Em muitas famílias e equipes, as pessoas trocam de idioma no meio da frase. Se você força um idioma, o modelo precisa escrever tudo nele. Para gravações mistas, “automático” é a escolha melhor; a Microsoft diz que o MAI-Transcribe-2 foi feito para esse tipo de alternância entre idiomas.

Em resumo

• Um idioma: selecione-o antes de começar, sobretudo em trechos curtos e idiomas parentes.
• Vários idiomas na mesma conversa: deixe em “automático”.
• Dialeto: espere desvios e confira as citações pela marca de tempo.
• Idiomas tonais: grave com limpeza, sem música de fundo.