Como funciona a digitação por voz

Da onda sonora ao áudio digital: o que o seu microfone grava quando você dita

Como o microfone e o dispositivo transformam a voz em números: taxa de amostragem, profundidade de bits, áudio mono, reamostragem e por que a posição do microfone importa mais que as especificações.

MacWindowsiPhoneAndroid

Resumindo

Sua voz é uma onda de pressão. O microfone a transforma em sinal elétrico, e um conversor mede esse sinal milhares de vezes por segundo. Para fala, o formato clássico é 16.000 medidas por segundo a 16 bits. Números maiores não garantem um reconhecimento melhor: uma voz clara perto do microfone importa muito mais que as especificações.

Slack

Você disse

vou chegar dez minutos atrasado podem começar sem mim

O SayVelio escreveu

Vou chegar 10 minutos atrasado, podem começar sem mim.

O som começa como ar em movimento

Quando você fala, as cordas vocais, a língua e os lábios criam no ar variações de pressão minúsculas e rápidas. O microfone tem uma membrana fina que se move com essas variações e transforma o movimento numa tensão variável: uma onda analógica que reproduz a sua voz.

Um computador não consegue guardar uma onda contínua, então um conversor analógico-digital (normalmente embutido no notebook, no celular ou no fone) mede essa onda em intervalos regulares. Cada medida é uma amostra, guardada como número.

Uma onda sonora medida em intervalos regulares: cada ponto é uma amostra
Amostragem: a onda contínua da sua voz vira uma série de pontos medidos

Taxa de amostragem: com que frequência o sinal é medido

A taxa de amostragem é o número de medidas por segundo. 16.000 Hz (16 kHz) significa 16.000 amostras por segundo; 48 kHz, 48.000.

A taxa de amostragem define a frequência mais alta que a gravação consegue conter: cerca da metade. Uma gravação a 16 kHz guarda sons até uns 8 kHz, o suficiente para entender a fala. O áudio telefônico clássico vai só até cerca de 3,4 kHz, e é por isso que no telefone o «f» e o «s» se confundem tão fácil.

Profundidade de bits: com quanta precisão cada amostra é guardada

A profundidade de bits diz quantos valores diferentes uma amostra pode ter. Áudio de 16 bits tem 65.536 níveis possíveis. Ela descreve a precisão da medida e nada mais: não significa que um modelo de voz distinga 65.536 tipos de som.

Uma gravação para ditado costuma ser mono: um canal, uma amostra por instante. O estéreo acrescenta um segundo canal que ajuda pouco no reconhecimento.

Quantos dados ocupam alguns segundos de fala

A conta é simples: 16.000 amostras × 16 bits = 256.000 bits por segundo de áudio mono, ou seja, 32 KB por segundo sem contar os cabeçalhos. Um ditado de 30 segundos ocupa cerca de 1 MB sem compressão. É pouco para uma conexão moderna, mas soma quando um app envia muitas gravações, e é por isso que alguns apps comprimem o áudio antes (veja compressão de áudio para fala).

Reamostrar não é só trocar um número

Muitos microfones gravam a 48 kHz, enquanto muitos modelos de reconhecimento esperam 16 kHz. Converter não é renomear o arquivo: antes é preciso filtrar as frequências que a taxa menor não consegue conter, senão elas se dobram de volta na gravação como distorção (aliasing). O sistema operacional e as bibliotecas de áudio fazem isso por você, mas é mais um motivo para não converter o áudio de um lado para o outro.

Microfone e ambiente importam mais que tudo

Tudo isso acontece antes do reconhecimento, e nenhum software recupera palavras que o microfone não captou com clareza. Na prática:

  • A distância importa mais que tudo. Um headset ou o microfone do notebook na sua frente ganham de uma webcam do outro lado da sala. Microfones distantes captam mais eco.
  • Perto demais «estoura». Falar colado no microfone cria golpes de ar no «p» e no «b».
  • Confira qual entrada está selecionada. Ao conectar um fone, o computador pode trocar de microfone. No Mac: Ajustes do Sistema → Som → Entrada; no Windows: Configurações → Sistema → Som.
  • Dê acesso ao microfone para o app de ditado. Sem isso, o app só recebe silêncio.

Dica

Se o ditado piorar de repente, confira primeiro o dispositivo de entrada. Passar para o microfone de um fone Bluetooth muitas vezes reduz a qualidade, porque muitos fones usam um modo de áudio limitado, de telefone, quando o microfone está ativo.

Perguntas

Uma taxa de amostragem maior melhora o ditado?

Não necessariamente. A maioria dos modelos de reconhecimento trabalha internamente a 16 kHz, então uma gravação a 48 kHz é reduzida de qualquer forma. Uma voz clara e uma boa posição do microfone importam mais.

Preciso de um microfone externo?

Normalmente não. Os microfones embutidos de notebooks e celulares modernos bastam para ditar num lugar silencioso. Um headset ajuda em escritório aberto ou em lugares barulhentos.