Transcrição em pesquisa qualitativa: convenções, ética e ferramentas

Pontos principais

Decida o nível de detalhe antes de transcrever qualquer coisa: verbatim, se a sua análise trata de como as pessoas falaram; verbatim inteligente ou limpa, se trata do que elas disseram. Escreva a convenção antes da segunda entrevista. Confira o que o seu termo de consentimento e a sua aprovação ética dizem sobre para onde as gravações podem ir e pergunte a qualquer serviço de transcrição exatamente quem recebe o áudio. A transcrição automática entrega um primeiro rascunho em minutos por uma fração do custo de um serviço humano; a revisão contra o áudio continua sendo sua. Para NVivo, ATLAS.ti e MAXQDA, planeje a rota de importação antes de escolher a ferramenta.

Ninguém lhe diz qual é o padrão de transcrição em pesquisa qualitativa porque não existe um padrão único. Existem vários, e qual deles vale para você depende do que pretende fazer com as transcrições depois de prontas. Essa decisão é metodológica e vem antes da escolha da ferramenta, não depois.

Se você inverter a ordem, o custo é real. Você transcreve seis entrevistas de forma limpa, entra na análise, descobre que precisa saber onde o participante hesitou e agora está revendo seis gravações com outros ouvidos. Por isso, dedique uma hora a essa pergunta primeiro.

Decida para que serve a transcrição antes de transcrever uma palavra

Quanto detalhe uma transcrição precisa ter é uma decisão metodológica, não uma questão de capricho ou de rigor. Ela decorre da sua abordagem analítica.

Se a sua análise se interessa pelo que foi dito, uma transcrição limpa basta. Você quer as palavras, com precisão, atribuídas ao falante certo. Palavras de preenchimento, recomeços e pausas curtas podem ser retirados sem prejuízo, porque nenhum deles aparecerá na sua codificação. A maior parte do trabalho temático e de conteúdo está aqui, e uma transcrição limpa é mais rápida de produzir, mais rápida de ler e mais rápida de codificar.

Se a sua análise se interessa pelo como algo foi dito, a situação se inverte. Pausas, sobreposições, hesitações, o momento em que duas pessoas falam ao mesmo tempo, os três segundos antes de uma resposta chegar, a correção no meio da frase: isso é o dado. Uma transcrição que remove tudo isso removeu justamente o que você estuda. Isso importa em especial para a transcrição automática, porque alisar exatamente esses traços é o que ela faz bem. Ela entrega uma prosa fluente e legível, e prosa fluente e legível é uma versão com perdas de uma conversa hesitante e cheia de sobreposições.

Existe a tentação de se proteger transcrevendo tudo no nível mais fino de detalhe, com o argumento de que sempre dá para ignorar o que não for necessário. Em geral, é o movimento errado. A transcrição detalhada é lenta, e trabalho lento em vinte entrevistas consome meses que você não tem. Ela também deixa as transcrições mais difíceis de ler, o que torna a codificação mais lenta. Se você ainda não sabe se a interação importa para a sua análise, essa é uma conversa a ter agora com o seu orientador, não um problema para resolver na força bruta. Seja qual for a decisão, as gravações ficam, e a gravação é o dado de verdade. A transcrição é uma representação dela.

Verbatim, verbatim inteligente e limpa, lado a lado

Os três rótulos são usados de forma frouxa, então aqui vai uma breve troca inventada escrita das três maneiras. É uma ilustração, não dados de um estudo.

A verbatim mantém tudo o que o gravador captou, marcado pela sua convenção:

E:  Então como você, hã, como você ficou sabendo?
P3: Bom (.) eu- eu não fiquei, na verdade. Minha irmã [me contou]
E:                                          [certo]
P3: me contou depois da- depois da reunião. (2,0) É.

A verbatim inteligente mantém cada palavra com significado e as trocas de fala, tira as palavras de preenchimento e as gaguejadas e só mantém uma pausa quando ela carrega sentido:

E:  Como você ficou sabendo?
P3: Eu não fiquei, na verdade. Minha irmã me contou depois da reunião. [pausa] É.

A limpa (às vezes chamada de editada) também alisa a gramática em frases legíveis:

E:  Como você ficou sabendo?
P3: Eu não fiquei. Minha irmã me contou depois da reunião.

Veja o que a versão limpa perdeu. A pausa de dois segundos antes do “É” e a autocorreção “eu- eu não” podem ser o trecho mais interessante do extrato se você estuda como as pessoas falam de más notícias. Para um estudo temático sobre como a notícia se espalhou numa família, a versão limpa não perde nada do que você vai codificar.

A transcrição automática fica em algum ponto entre a verbatim inteligente e a limpa. Em geral ela tira o “hã” e o “eu” repetido, não escreve marcas de pausa e mostra a sobreposição como um turno seguindo o outro. Se você precisa de verbatim, planeje acrescentar esses traços à mão na revisão.

Escreva a sua convenção antes da segunda entrevista

Depois de decidir o nível de detalhe, fixe as convenções e coloque-as num documento curto que fique ao seu lado enquanto você trabalha. Mudá-las depois significa voltar a todas as gravações que você já fez, e esse é o tipo de tarefa que consome uma quinzena em silêncio.

O que vale definir de antemão:

• Se as palavras de preenchimento e os recomeços são mantidos, limpos ou mantidos só quando parecem significativos, que é a opção com mais chance de gerar inconsistência entre as entrevistas.
• Como as pausas são marcadas e se pausas curtas e longas se distinguem entre si.
• Como a fala sobreposta aparece e o que fazer quando você não consegue dizer quem falou primeiro.
• Como você marca os trechos que não consegue entender e se anota o motivo.
• Como os falantes são identificados e como essa identificação se relaciona com o seu esquema de anonimização.
• Onde ficam as marcações de tempo: em intervalos regulares, a cada troca de falante ou só nos trechos que você espera citar.

As marcações de tempo merecem um momento à parte. Elas permitem rastrear uma citação da sua tese até a posição dela na gravação, o que torna a afirmação verificável por qualquer pessoa com acesso aos seus dados, inclusive uma banca examinadora. Acrescentá-las ao longo do trabalho custa quase nada. Acrescentá-las depois, numa transcrição pronta, significa ouvir a gravação inteira de novo com um cronômetro. Seja qual for a ferramenta, coloque-as já na primeira passada.

Um modelo de convenção que você pode copiar

Preencha a coluna da direita, guarde o modelo no apêndice de métodos e entregue-o a quem transcrever ou revisar para você. As marcas mostradas são escolhas comuns, não regras; mude qualquer uma, mas anote a mudança.

O mesmo modelo em texto simples, para as suas anotações:

CONVENÇÃO DE TRANSCRIÇÃO: [projeto]          versão: [data]
Nível de detalhe:    verbatim | verbatim inteligente | limpa
Falantes:            E = entrevistador; P1, P2 ... = participantes
Preenchimentos:      mantidos | removidos | mantidos quando significativos
Recomeços:           mantidos, marcados com hífen (eu- eu não)
Pausas:              (.) menos de 2 s; (3,0) = duração em segundos
Sobreposição:        [ no início e ] no fim da fala sobreposta
Inaudível:           [inaudível hh:mm:ss]
Incerto:             [palavra?]
Não verbal:          [ri] [suspira] [a porta fecha]
Ênfase:              não marcada | MAIÚSCULAS
Marcações de tempo:  cada troca de falante | a cada 2 min | só citações
Anonimização:        na transcrição; correspondência guardada separadamente em [local]
Outros idiomas:      original, depois {tradução}
Conferido com o áudio por: [nome], em [data]

O consentimento e a aprovação ética decidem para onde o áudio pode ir

O seu termo de consentimento não é papelada que ficou para trás quando a pesquisa começou. É um conjunto de condições sobre o que você pode fazer agora com as gravações, e em geral cobre três coisas: como a gravação é guardada, quem pode ouvi-la e quando ela é destruída.

Enviar áudio a um serviço de transcrição de terceiros é uma divulgação. Alguém ou algo de fora do seu projeto passa a ter uma cópia da voz de um participante. Isso precisa ser compatível com o que o participante aceitou. Às vezes é claramente compatível, porque o termo previu isso. Às vezes claramente não é, porque o participante ouviu que só a equipe de pesquisa escutaria a gravação. Muitas vezes o termo é ambíguo, e vale resolver essa ambiguidade com o seu orientador ou com o comitê de ética antes de enviar, não depois.

A aprovação ética muitas vezes vai além e especifica onde as gravações podem ser guardadas, em que tipo de dispositivo ou sistema institucional e por quanto tempo. A transcrição herda essas condições. O mesmo vale para tudo o que deriva dela: seus arquivos codificados, seus extratos de citações, o documento de trabalho onde você cola trechos enquanto escreve. Tudo isso conta como dado e tudo isso pertence ao arranjo de armazenamento para o qual você foi aprovado. É fácil perder isso de vista quando você está no meio da análise e as cópias se multiplicam entre um notebook, um drive na nuvem e um e-mail para si mesmo.

Na prática, isso reduz as suas opções de ferramenta antes mesmo de você compará-las em qualidade ou preço. Uma ferramenta que processa os arquivos no seu próprio dispositivo é uma proposta diferente de uma que os envia. Se um fornecedor não consegue dizer com clareza quais empresas recebem o áudio, trate isso como uma resposta.

O que um comitê de ética pergunta sobre um serviço de transcrição

Os comitês diferem, mas as perguntas se repetem. Coloque as respostas na sua solicitação, com a data em que as conferiu, porque os fornecedores mudam de parceiros.

1. Onde o áudio é armazenado e em que país?
2. Que outras empresas o recebem e o que elas recebem? Uma ferramenta de transcrição costuma ser a fachada do reconhecimento de fala de outra empresa. Peça a lista de subprocessadores.
3. Os dados são usados para treinar modelos? Pergunte sobre o fornecedor e sobre cada parceiro separadamente; uma resposta raramente cobre os dois.
4. O que a exclusão de um arquivo remove e existem backups que o guardam por mais tempo?
5. Quem pode entrar e existe relatório de auditoria, acordo de processamento de dados ou login institucional?

Aqui estão as respostas do SozAI, em 25 de outubro de 2026, para que você veja como é um conjunto completo:

• As gravações e transcrições ficam armazenadas em nossos servidores. Tudo trafega por HTTPS.
• O reconhecimento de fala é feito pela AssemblyAI, nos EUA, que recebe o áudio. Se você usa resumos, notas, quizzes ou perguntas sobre uma gravação, o texto da transcrição passa pela OpenRouter até os provedores de modelos (Anthropic, Google e xAI, com a DeepSeek como reserva). Links do YouTube vão para a API Google Gemini; o seu próprio áudio não. A Cloudflare transporta o tráfego e guarda os nossos backups criptografados do banco de dados. A lista completa está na nossa página de subprocessadores.
• Não vendemos as gravações, e o nosso próprio código nunca as usa para treinar modelos. Não podemos fazer essa promessa em nome dos parceiros acima; valem os termos deles.
• Você mesmo pode excluir uma gravação ou a conta inteira, no app ou na web. Isso remove o áudio, a transcrição, as notas, os flashcards e os quizzes dos nossos servidores. Os backups criptografados do banco de dados são mantidos por até 12 meses. Excluir no SozAI não exclui a cópia mantida pelo parceiro de reconhecimento de fala.
• O login é com Google, Apple ou um código único por e-mail. Não temos relatório SOC 2, login único (SSO) nem funções de administrador de equipe, e o SozAI não é compatível com a HIPAA. Mais em segurança no SozAI.

Se a sua aprovação diz que as gravações não podem sair dos sistemas institucionais, nenhuma das ferramentas em nuvem citadas nesta página serve, a nossa incluída. Use o serviço licenciado da sua universidade ou transcreva offline.

A anonimização acontece na transcrição

A gravação continua como está. Você não consegue anonimizar uma voz editando texto, e nem deveria tentar alterar os seus dados primários. A anonimização é algo que se faz na transcrição.

Isso significa substituir nomes, nomes de lugares, nomes de empregadores, cargos que identificam uma só pessoa e os pequenos detalhes circunstanciais que tornam alguém reconhecível para quem conhece o contexto. Faça isso de forma consistente. Se uma colega é [Colega A] numa entrevista, ela é [Colega A] em todo lugar em que aparece, e a mesma convenção vale para todo o seu conjunto. Pseudonimização inconsistente é pior do que nenhuma, porque parece anonimizada e ainda assim pode ser rastreada por quem lê com atenção.

Se você guarda uma correspondência entre as identidades reais e as substituições, guarde-a separada das transcrições, nas condições de armazenamento que a sua aprovação prevê, e seja claro consigo mesmo sobre por que a mantém e quando ela será destruída. Em alguns projetos há boa razão para guardá-la: você pode precisar recontatar participantes ou ligar entrevistas ao longo de ondas. Em outros não há, e a correspondência mais segura é a que não existe. Decidir de forma deliberada é o ponto.

Um cuidado ao fazer isso com pressa. Localizar e substituir pega os nomes óbvios e deixa passar o resto: o apelido usado duas vezes, o erro de grafia, a descrição de um prédio que só um lugar da cidade combina. A etapa de anonimização pede olhos humanos no documento inteiro.

Um ponto prático para ferramentas automáticas: os nomes de falantes que você digita numa ferramenta ficam guardados com a transcrição. Identifique os falantes como P1 e P2 desde o início, em vez de renomeá-los depois.

Grupos focais: de seis a dez falantes

Um grupo focal é a gravação mais difícil de transcrever. A separação automática de falantes funciona agrupando falas que soam parecidas, e com oito pessoas em volta de uma mesa isso falha em pontos previsíveis: dois participantes com vozes parecidas viram um só falante, quem só diz “hum” ou “sim” nunca ganha um rótulo próprio, e uma rajada de falas cruzadas é atribuída a quem falou mais alto.

No SozAI você não pode dizer ao sistema quantas pessoas estavam na sala; ele decide pelo áudio. Espere corrigir os rótulos de falantes à mão em todo grupo focal e reserve tempo para isso. Num grupo de oito pessoas e uma hora, é uma tarde inteira de trabalho, gasta em sua maior parte nas falas curtas.

O que ajuda, em ordem de efeito:

• Comece com uma rodada em que cada pessoa diz o número de participante e uma frase. Isso dá uma amostra de cada voz num ponto conhecido, para você associar os rótulos às pessoas.
• Peça ao moderador que diga o nome do falante quando não estiver claro (“obrigado, P4”) e mantenha um mapa de lugares com a ordem das primeiras falas.
• Coloque um bom microfone no meio da mesa, em vez de um celular na ponta do moderador. A distância é a maior fonte isolada de erros.
• Use um segundo gravador na outra ponta da mesa. Quando um arquivo está confuso, o outro muitas vezes não está.

Se a sua análise depende de quem disse o quê em trocas rápidas (análise da conversa sobre dinâmica de grupo, por exemplo), um primeiro rascunho automático vai poupar menos tempo do que em entrevistas individuais. Um serviço humano especializado em grupos focais pode valer o preço aí.

Onde a transcrição automática realmente ajuda

A transcrição automática produz um primeiro rascunho. É uma economia genuína, e recusá-la por princípio quase sempre significa digitar à mão várias horas de fala sem ganho metodológico. O que ela não produz é uma transcrição final.

Em dados de entrevista, a revisão contra o áudio faz parte do método, não é um acabamento opcional no fim. Você ouve tudo com o rascunho à frente, corrige o que está errado, restaura o que a sua convenção exige e a máquina descartou, insere ou confere as marcações de tempo e aplica a sua anonimização. É mais lento do que ler e mais rápido do que digitar. É também o momento em que você se familiariza com o material, o que não é um benefício lateral. Quem transcreve as próprias entrevistas chega à análise já sabendo o que há nelas, e a revisão recupera uma boa parte dessa familiaridade.

Com o app do SozAI para iPhone, Android e Mac, ou com a versão web, uma entrevista gravada volta com identificação de falantes e um código de tempo em cada trecho; toque em um e o áudio toca a partir daquela linha, que é quase tudo de que uma revisão precisa. O texto pode ser corrigido no app para iPhone e Android; as versões web e Mac o mostram, mas ainda não o editam. Mais sobre transcrição de entrevistas em geral. É uma opção entre várias, e as perguntas de armazenamento e de consentimento que um comitê de ética faz devem filtrar a sua lista antes da qualidade.

Transcrição acadêmica por IA ou humana: custo, prazo, precisão

A maioria das páginas que aparecem para “transcrição acadêmica” são serviços humanos, então aqui vai a comparação que elas deixam de fora. Os preços são os que cada fornecedor publicava em 25 de outubro de 2026.

Faça as contas de um estudo típico: vinte entrevistas de uma hora, 1.200 minutos de áudio. Pelos preços acima, são US$ 2.388 com a Rev, US$ 2.100 com a Ditto e a partir de US$ 948 com a TranscribeMe. Numa assinatura do SozAI o conjunto inteiro cabe com folga dentro das horas, e os rascunhos voltam na mesma tarde.

Os números de precisão não são comparáveis, e vale saber por quê. Os serviços humanos declaram uma garantia nos próprios termos. O nosso é uma medição com método publicado: 200 frases curtas lidas em voz alta, em salas silenciosas, do conjunto de dados aberto FLEURS. Entrevistas são mais difíceis do que isso, e alguns idiomas são bem mais difíceis (19,6% para o árabe, 50% para o cazaque no mesmo teste). Então a troca honesta é esta: a transcrição automática custa muito menos e é quase instantânea, e em troca a revisão fica por sua conta. Um serviço humano cobra para fazer a maior parte dessa revisão, e você ainda confere as citações.

Quando a transcrição humana compensa mais: convenções verbatim com duração das pausas, áudio ruim, grupos focais em que a atribuição é o ponto central, ou um financiador que pague por isso enquanto o seu tempo é o recurso escasso.

Software de transcrição para pesquisa qualitativa

Seis opções realistas, com o ponto forte de cada uma. Detalhes como publicados por cada fornecedor em 25 de outubro de 2026.

Nossa recomendação, se você pode escolher. Se você já tem licença do MAXQDA ou do NVivo e as suas entrevistas estão num idioma que eles cobrem, use a transcrição embutida: a transcrição chega ao projeto já ligada ao áudio, e você pula a etapa de importação. Se as suas entrevistas estão num idioma fora das listas deles, foram gravadas no celular em campo, ou você quer resumos e tradução junto da transcrição, o SozAI é a melhor ferramenta, com uma etapa de importação. Se a sua aprovação ética exclui o processamento por IA de terceiros, pague um serviço humano que assine os seus termos de confidencialidade, ou transcreva você mesmo.

Como levar transcrições para o NVivo, o ATLAS.ti e o MAXQDA

O SozAI não exporta arquivos Word (DOCX). Tudo o que segue funciona com o que ele exporta: TXT, SRT, VTT e JSON (PDF também, mas nenhum pacote de análise quer uma transcrição em PDF). Os apps de celular e Mac exportam todos esses formatos; a versão web exporta TXT, SRT e VTT. Renomeie os seus falantes para P1, P2 e assim por diante antes de exportar; esses nomes são gravados no VTT, no JSON e no TXT do app. O SRT nunca traz nomes de falantes, então descarte-o para pesquisa.

ATLAS.ti

Adicione primeiro o arquivo de áudio ao projeto e depois importe a transcrição para ele. O manual do ATLAS.ti lista VTT, SRT, TXT, DOCX e RTF como formatos de transcrição compatíveis e diz que detecta e codifica falantes em arquivos VTT que incluem informação de falantes. Então exporte VTT do SozAI: você obtém o texto sincronizado com o áudio e os códigos de falantes numa só etapa. (Manual do ATLAS.ti, conferido em 25 de outubro de 2026.)

MAXQDA

O MAXQDA importa transcrições com marcações de tempo em Importar, Transcrições, e lista o VTT entre os formatos que lê, ao lado de legendas SRT e arquivos Word ou RTF. Escolha VTT e indique ao MAXQDA o arquivo de áudio correspondente quando ele pedir. O SRT também importa, mas usuários do MAXQDA relatam um layout fragmentado, com uma linha de legenda por parágrafo, e você perde os falantes. (Ajuda do MAXQDA, conferido em 25 de outubro de 2026.)

NVivo

O NVivo 14 para Windows importa uma transcrição ligada ao áudio a partir de um arquivo de texto simples organizado como tabela separada por vírgulas ou tabulações, ou a partir de Word ou RTF. (Ajuda do NVivo, conferido em 25 de outubro de 2026.) Os arquivos do SozAI não estão nesse formato, então você tem dois caminhos:

• Rápido: exporte o TXT de web.sozai.app com códigos de tempo e falantes ativados. Cada parágrafo aparece como “[04:12] P3: texto”. Importe no NVivo como um documento comum. Você já pode codificá-lo; ele só não fica sincronizado com o áudio.
• Sincronizado: exporte o JSON do app. Cada segmento tem um tempo de início e de fim em segundos, o texto e o nome do falante. Abra-o numa planilha (ou peça a um colega algumas linhas de script) para montar três colunas: intervalo de tempo, falante, texto. Salve como texto separado por tabulações e importe como transcrição, mapeando as colunas quando o NVivo perguntar.

Seja qual for o caminho, faça a revisão antes da importação, se puder. As correções feitas no app do celular acompanham a transcrição em todas as exportações seguintes, enquanto as edições feitas dentro do seu pacote de análise ficam lá.

O que o primeiro rascunho não faz por você

Espere o rascunho ser mais fraco exatamente onde as entrevistas são mais difíceis. Falas cruzadas confundem a separação de falantes, e duas pessoas falando ao mesmo tempo tendem a virar uma só pessoa dizendo algo meio incoerente. Sotaques fortes, participantes que falam baixo, ruído de fundo de um café ou de um corredor e vocabulário específico da área reduzem a precisão. Os rótulos de falantes costumam ficar perto, mas não são confiáveis nas fronteiras, sobretudo em torno de interjeições curtas.

E ele não dá a prosódia. Nenhuma transcrição automática preserva a duração de uma pausa nem marca o ponto em que a voz do participante mudou. Se a sua análise precisa disso, o rascunho da máquina é só um andaime para as palavras, e você deve planejar o seu tempo de acordo. Um colega trabalhando no mesmo corpus com uma pergunta voltada ao conteúdo terminará em uma fração do tempo, e não porque trabalha com menos cuidado. A transcrição dele responde a outra pergunta.

Entrevistas que alternam de idioma são um caso especial. Ferramentas automáticas, o SozAI incluído, costumam detectar um idioma por gravação, então os trechos no segundo idioma saem piores. Marque-os na sua convenção e confira-os primeiro.

Reserve também mais tempo do que a conta sugere. A revisão não é uma passada única pelo áudio em velocidade normal; é parar, voltar, reouvir os seis segundos que você não consegue entender direito. Fazer isso num conjunto completo de entrevistas dá muito trabalho, e é normal que dê. Para ter uma ideia de como as peças se encaixam num projeto inteiro, há um passo a passo do fluxo de trabalho de um pesquisador de tese que acompanha um conjunto de gravações do arquivo até a transcrição citável. Se você está comprando para um grupo de pesquisa ou um departamento, escreva para [email protected] sobre os planos Team e Education; emitimos fatura.

A última coisa a guardar é que a transcrição é uma representação, e cada convenção que você escolheu é uma decisão sobre o que manter e o que perder. Escreva essas decisões no capítulo de métodos. Uma banca que sabe por que as suas transcrições são como são vai lê-las como algo ponderado. Uma que não sabe vai se perguntar.