Como funciona a digitação por voz

O que é digitação por voz: o caminho da sua voz até o texto na tela

Ditado por voz, transcrição e controle por voz são três coisas diferentes. O que o ditado realmente faz, quais etapas existem entre o microfone e o cursor e onde cada uma pode rodar.

MacWindowsiPhoneAndroid

Resumindo

A digitação por voz transforma o que você diz em texto editável, direto no campo onde está o cursor. No caminho, o som é gravado e digitalizado, um modelo de reconhecimento de fala estima as palavras mais prováveis e uma limpeza opcional acrescenta pontuação e tira as hesitações. Cada etapa pode rodar no seu dispositivo ou em um serviço remoto, e cada uma afeta de um jeito a precisão, a velocidade e a privacidade.

Notas

Você disse

me lembra de ligar pro banco segunda é e perguntar sobre o limite do cartão

O SayVelio escreveu

Me lembra de ligar pro banco segunda e perguntar sobre o limite do cartão.

Três coisas que chamamos de «voz para texto»

A mesma expressão cobre três tarefas diferentes, e vale a pena separá-las:

  • O ditado (digitação por voz) coloca num app um texto que você pode editar: um e-mail, uma conversa, um documento. Você fala em vez de digitar, e o resultado continua sob seu controle.
  • A transcrição produz a versão escrita de uma fala que já aconteceu: uma reunião, uma entrevista, uma aula. Nenhum cursor está esperando por ela.
  • O controle por voz usa a fala reconhecida para fazer algo: abrir um app, enviar uma mensagem, ligar um timer. As palavras são um comando, não um texto.

As três usam reconhecimento de fala, mas ter uma não significa ter as outras. O SayVelio é uma ferramenta de ditado: escreve o que você diz. Ele não executa comandos de voz e não é um chatbot, então «escreve pra Ana que eu concordo» chega exatamente com essas palavras. O guia para ditar bem mostra como formular as frases para conseguir o texto que você quer.

O caminho do microfone ao cursor

Todo ditado segue mais ou menos a mesma cadeia. Alguns sistemas juntam etapas, mostram as palavras enquanto você fala ou pulam as opcionais, mas a ordem é a mesma:

  1. Captura. O microfone transforma a pressão do ar em sinal elétrico, e o dispositivo em números. Veja como o microfone grava a voz.
  2. Preparação. O áudio pode ser nivelado, limpo de eco ou ruído e dividido em partes. Veja redução de ruído e detecção de voz.
  3. Reconhecimento. Um modelo estima quais palavras foram ditas. Veja como funciona o reconhecimento de fala.
  4. Limpeza (opcional). Entram pontuação, maiúsculas, números e parágrafos, e saem as hesitações. Veja da transcrição ao texto.
  5. Revisão e inserção. O texto chega ao cursor, onde você pode ler e corrigir. Veja o que faz uma boa interface de voz.
O caminho de um ditado: microfone, áudio digital, reconhecimento de fala, limpeza opcional, texto no seu app
Da voz ao texto: captura, reconhecimento, limpeza opcional, inserção

O resultado é uma estimativa, não um registro das suas intenções

O reconhecimento é estatístico. O sistema escolhe a sequência de palavras que melhor combina com o som e com o que aprendeu em milhões de exemplos, então o texto pode ficar ótimo de ler e mesmo assim não ser o que você disse, principalmente com nomes, números e termos raros. Por isso as boas ferramentas de ditado deixam você ensinar palavras a elas (um dicionário) e tornam o texto fácil de conferir e corrigir.

Onde cada etapa roda

Cada passo pode acontecer no seu dispositivo, num serviço remoto ou um pouco em cada:

  • Num serviço remoto, a gravação vai por uma conexão criptografada até um provedor de reconhecimento de fala, que devolve o texto. Assim você tem os modelos maiores e mais precisos.
  • No dispositivo, um modelo baixado no computador ou no celular faz o reconhecimento: nada sai do aparelho e funciona sem internet. Os modelos locais costumam ser menores e mais lentos em hardware antigo.

No SayVelio, a gravação vai direto do seu dispositivo para o provedor de reconhecimento de fala e, se a limpeza estiver ativada, a transcrição vai para o provedor do modelo de linguagem; nossos servidores nunca recebem suas gravações nem seu texto. Você também pode baixar um modelo offline opcional no Mac, Windows, iPhone e Android e ditar sem nenhuma conexão (ditados offline ficam sem limpeza). Os detalhes estão em privacidade na digitação por voz.

O que muda a qualidade do resultado

Precisão, velocidade e privacidade dependem de elos diferentes da cadeia:

  • A precisão depende sobretudo do microfone, do ambiente e do modelo de reconhecimento, além de dicas como um dicionário.
  • A formatação depende da limpeza: como ficam números, listas e pontuação.
  • A velocidade depende da duração da gravação, da rede e de haver ou não limpeza. Os modos de ditado deixam você trocar um pouco de acabamento por velocidade.
  • A privacidade depende de quem recebe o áudio e o texto e do que cada um guarda.

Perguntas

A digitação por voz funciona totalmente offline?

Sim, se o modelo de reconhecimento rodar no dispositivo. Muitos apps dependem de um serviço na rede, então conseguir gravar sem internet não significa conseguir transcrever sem internet. O SayVelio oferece um modelo offline opcional nas quatro plataformas.

Digitação por voz é a mesma coisa que um assistente de voz?

Não. Um assistente de voz interpreta o que você diz como um pedido e age. O ditado escreve suas palavras para que você mesmo edite e envie.