Os erros de transcrição mais perigosos são os que se leem perfeitamente

Uma entrevista em norueguês, áudio limpo. O entrevistado está dizendo que não traiu o parceiro. Na transcrição de um dos motores, ele diz que decidiu trair.

A frase é gramatical. Nenhum erro de digitação. Nem soa estranha no contexto. O leitor não tem motivo para parar.

Uma negação invertida é o pior erro que uma transcrição de entrevista pode ter

Quando uma palavra está escrita errado, o leitor costuma perceber. Quando o sentido está invertido, não percebe.

O caso norueguês não foi isolado. Depois passamos mais cinco trechos em norueguês pelo Gemini e pelo Qwen. Os dois cometeram o mesmo tipo de erro em passagens claras.

Acontece em inglês também. "You're still not a cop" virou "still a cop" nos dois modelos de fala do Qwen. O "not" simplesmente sumiu.

Tentamos instruir o modelo diretamente: mantenha cada negação exatamente como foi dita, marque tudo o que não conseguir ouvir, não preencha nada. Não fez diferença. O "not" continuou desaparecendo.

Uma votação por maioria não vai salvar você

A solução óbvia é rodar vários motores e ficar com a maioria.

Em cinco idiomas (russo, coreano, ucraniano, norueguês e espanhol) encontramos pontos em que vários motores cometeram exatamente o mesmo erro e a versão correta ficou em minoria. Em quatro deles, o erro era uma negação ou um sentido invertido. No caso norueguês, cinco motores inverteram o sentido e só um acertou. Coloque em votação e a resposta errada vence.

O motivo é que um trecho de áudio pouco claro pode levar vários motores a "ouvir" a mesma coisa errada. Os erros deles não são independentes.

Por isso nossa regra é: sempre que houver negação ou sentido invertido, a concordância entre motores não vale nada. Precisamos de evidência concreta, como a lógica das frases ao redor ou o falante repetindo a ideia logo depois. Sem isso, o ponto é sinalizado para uma pessoa ouvir. Não tomamos essa decisão pelo leitor.

Erros fluentes são mais difíceis de pegar do que os óbvios

As negações invertidas são um tipo. Existe outro, mais sutil.

Montamos uma gravação de teste: uma conversa em espanhol com uma frase em chinês inserida no meio, "你是谁?" ("Quem é você?"). Um dos motores não transcreveu o chinês. Traduziu, escrevendo "¿Quién eres?". A transcrição inteira não tinha nenhum chinês e se lia perfeitamente. Se você não fala chinês e não ouviu o áudio, jamais saberia que ali se falou outro idioma.

O que esses erros têm em comum é que a transcrição parece completamente normal. Não dá para encontrá-los lendo. Alguém precisa dizer a você qual segundo ir ouvir.

Uma ferramenta de transcrição deveria dizer onde tem dúvida

Então, as ferramentas de transcrição que as pessoas de fato usam dizem "não tenho certeza sobre este trecho"? Em setembro de 2026 analisamos 15 das mais comuns: centrais de ajuda, documentação do produto, documentação de API e registros de alterações. Olhamos três coisas: se a ferramenta diz que algo é duvidoso, em que ela se baseia para isso e se ela aponta um lugar ou só uma cor.

Três colorem palavras no editor. As três se baseiam na nota que o motor dá ao próprio trabalho:

• O Sonix tem um mapa de calor que você pode ativar, que sombreia cada palavra de acordo com a confiança do motor. Mais claro significa menos confiança. O próprio Sonix observa que uma palavra clara "não é necessariamente um erro".
• O Rev tem uma opção no editor que destaca em cinza as palavras que o motor marcou como possivelmente erradas.
• O Happy Scribe mostra em vermelho as palavras de baixa confiança (nossa fonte é o próprio tutorial de legendas dele, atualizado em 2025; um guia do editor mais recente não menciona isso, então não confirmamos a interface atual).

Duas só nas exportações ou na API. O Amberscript retorna uma pontuação de confiança por palavra no JSON da sua API, mas não nas exportações de legenda ou de texto; o próprio blog do transcribe.com descreve a exportação de uma pontuação de confiança para cada parágrafo, não por palavra. Pelo que conseguimos ver, nenhuma das duas mostra nada no editor.

Uma documentada uma vez, situação atual não confirmada. O próprio blog do Descript descreve um assistente que sinaliza palavras que ele considera prováveis erros de transcrição, lançado em 2021 e, na época, em beta. A documentação de ajuda atual não menciona mais o recurso, e não conseguimos confirmar se ele ainda está no editor.

Nas nove restantes não encontramos nada: Transkriptor, Otter.ai, Fireflies.ai, Notta, Noota, Trint, Riverside, Dovetail e TurboScribe, sobre o qual só artigos de terceiros dizem que as palavras de baixa confiança são destacadas em amarelo. Não encontramos menção a isso na página inicial, nas páginas de suporte nem nos artigos introdutórios da própria ferramenta, e o editor dela fica atrás de login, então não pudemos nem confirmar nem descartar isso.

Não encontrar não é o mesmo que não existir. Parte da documentação de API fica atrás de login ou carrega via scripts, e não conseguimos ler tudo. Se você usa uma dessas ferramentas e ela tem o recurso, avise-nos e vamos corrigir.

Um motor avaliando a si mesmo não é o mesmo que motores discordando

As três ferramentas que têm esse recurso sinalizam a mesma coisa: a nota que um único motor dá para a própria confiança.

E essa nota é menos confiável do que a maioria das pessoas imagina. Um estudo apresentado na CHI em 2025 testou nove sistemas de transcrição em 120 gravações e depois pediu a 36 pessoas que corrigissem transcrições, guiadas pelo destaque de confiança, sem poder ouvir o áudio de novo. No nível da palavra, as notas das palavras certas e das erradas se sobrepunham tanto que nenhum limite era utilizável: com um limite baixo, a maioria dos erros passa despercebida; com um limite alto, a maior parte do que é marcado estava certa desde o início. Nesse estudo, o destaque de confiança nem tornou a correção mais rápida nem pareceu útil para quem o usou.

Então "essa ferramenta mostra pontuações de confiança?" não é a pergunta útil. A pergunta útil é em que ela se baseia para duvidar.

Isso é realmente útil, com um ponto cego. Se um motor ouve algo errado com convicção, a nota dele não dispara nenhum alarme.

Nossa abordagem é fazer vários motores transcreverem o mesmo áudio e sinalizar os pontos em que eles não concordam, além de nomes, empresas e termos técnicos, que é onde os erros se concentram. Cada sinalização traz um código de tempo, e um clique toca aquele segundo. Só quando todas as sinalizações foram resolvidas o produto diz que a transcrição está pronta para exportar.

Mesmo assim, não pegamos tudo. Quando vários motores erram o mesmo ponto exatamente do mesmo jeito, eles "concordam", e nada é sinalizado. É por isso que verificamos negação e sentido invertido mesmo quando todos os motores dizem a mesma coisa.

O que podemos prometer é que você não precisa reouvir a gravação inteira. Só os pontos que merecem dúvida.