Como funciona a digitação por voz

Da transcrição bruta ao texto legível: pontuação, números e limpeza

Por que uma transcrição bruta não está pronta para enviar, como entram pontuação, maiúsculas, números e listas, por que «cinco e cinquenta» é ambíguo e como evitar que a limpeza mude o que você quis dizer.

MacWindowsiPhoneAndroid

Resumindo

O reconhecimento de fala devolve suas palavras do jeito que você disse: hesitações, recomeços, sem pontuação. Uma segunda etapa transforma isso em texto escrito: pontuação, maiúsculas, números em algarismos, listas e parágrafos. Essa etapa precisa interpretar, porque «cinco e cinquenta» pode ser um horário, um preço ou uma quantidade. Uma boa limpeza mantém seu sentido e seu idioma e só muda a forma.

Gmail

Você disse

oi sara então a ligação é às cinco e cinquenta não desculpa às seis e quinze e o orçamento é de doze mil e quinhentos reais

O SayVelio escreveu

Oi Sara,

a ligação é às 18h15, e o orçamento é de R$ 12.500.

Como é uma transcrição bruta

Ninguém fala em frases prontas. A transcrição bruta de uma mensagem comum muitas vezes fica assim:

então é o plano é a gente a gente manda o rascunho na terça não quarta e aí tipo a ana revisa

Todas as palavras estão ali, mas ninguém enviaria isso. Chegar a «O plano: mandamos o rascunho na quarta, depois a Ana revisa.» exige várias decisões separadas: tirar «é» e «tipo», cortar o «a gente» repetido, aplicar a autocorreção, acrescentar pontuação e maiúsculas.

Uma transcrição bruta com hesitações e sem pontuação ao lado do texto limpo
O mesmo ditado antes e depois da limpeza

A pontuação é uma interpretação

Microfones não gravam vírgulas. A pontuação é deduzida das pausas, da entonação e da estrutura da frase, então é uma escolha editorial, não uma medida. Na maior parte das vezes é óbvia. Às vezes muda o sentido («Vamos comer, vovó» e «Vamos comer vovó»), e esse é um dos motivos para ler as mensagens importantes antes de enviar.

Números, datas e valores: normalização inversa de texto

Transformar formas faladas em notação escrita tem um nome técnico: normalização inversa de texto (ITN). É o que transforma «cento e vinte e três reais» em «R$ 123» e «três de março» em «3 de março».

É mais difícil do que parece, porque muitas vezes o áudio sozinho não decide:

Você dizPode ser escrito como
«cinco e cinquenta»5h50 (horário), R$ 5,50 (preço), 5 e 50 (dois números)
«vinte vinte e quatro»2024 (ano), 20 24 (dois números), 20–24 (intervalo ou placar)
«um zero um»101, 1h01
«o terceiro»3º, o dia 3 do mês, «o terceiro» (uma pessoa)

Normalmente o contexto resolve, e uma boa limpeza usa a frase inteira para escolher. Quando a precisão importa, diga um pouco mais: «cinco e cinquenta da tarde», «cinco reais e cinquenta».

O sentido contrário, de «R$ 123» escrito para palavras faladas, se chama normalização de texto e é o que fazem os sistemas de síntese de voz; veja reconhecimento de fala e síntese de voz.

As palavras podem estar certas e o formato errado

Reconhecimento e formatação são trabalhos diferentes. O reconhecedor pode acertar todas as palavras e o resultado ainda não servir para o que você queria: uma lista escrita como parágrafo, um horário escrito como número, um e-mail formal cheio de pontos de exclamação. Isso é tarefa da camada de formatação, e é ali que as configurações pessoais ajudam.

No SayVelio, essa camada é a limpeza opcional:

  • A instrução de limpeza define as regras gerais: listas, números, tom.
  • Os estilos por app ajustam o resultado ao lugar onde você está escrevendo: curto e informal no chat, frases completas no e-mail, comandos exatos no terminal.
  • O modo Rápido pula a limpeza por completo e insere a transcrição como foi reconhecida, quando você prefere velocidade a acabamento.

Separe «mais arrumado» de «diferente»

Algumas mudanças são inofensivas: maiúsculas, vírgulas, tirar os «é». Outras mudam o que você disse: trocar um nome, perder um «não», arredondar um número, reformular uma promessa. Uma boa limpeza faz as primeiras à vontade e evita as segundas.

A limpeza do SayVelio é instruída a manter suas palavras e seu idioma, nunca traduzir e nunca responder ao que você ditou. Se algum resultado parecer estranho, todo ditado fica no Histórico do app, de onde você pode copiá-lo de novo.

Perguntas

Por que um número do meu ditado mudou de formato?

A limpeza escreve os números falados como eles costumam ser escritos: algarismos, moedas, horários. Se escolheu a leitura errada, acrescente uma palavra de contexto ao falar («às cinco e cinquenta da tarde») ou descreva os formatos que você prefere na sua instrução de limpeza.

Posso ter o texto exatamente como eu disse?

Sim. Use o modo Rápido, que insere o que o reconhecimento de fala ouviu, sem limpeza. Você recebe também as hesitações e os recomeços.