Principais pontos
Antes de transcrever uma chamada gravada, verifique se a gravação foi legal no local onde as partes estavam. As jurisdições variam quanto à exigência de consentimento de todos os participantes ou apenas de um deles, e essa questão precisa estar resolvida antes de você apertar o botão de gravar. Depois disso, é um problema técnico. O áudio de chamadas é de banda estreita, então o codec descarta detalhes dos quais a transcrição depende, e muitas gravações misturam os dois lados em um único canal, o que torna a identificação de quem fala pouco confiável. Números, grafias e endereços são os que mais sofrem. Confira essas informações no áudio em vez de confiar apenas no texto.
Você tem um arquivo. Alguém nele disse algo importante — um valor, uma data, um nome, um compromisso — e você quer isso em texto para poder apontar para aquele trecho depois. Transformar o arquivo em texto é a parte fácil. As duas coisas que decidem se você vai terminar com algo confiável já aconteceram antes de você abrir o arquivo: se a gravação era permitida e como o áudio foi capturado.
Comece pela questão legal. Ela não depende de nada técnico, e nenhum cuidado na transcrição salva uma gravação que você não deveria ter feito.
A legalidade da gravação vem primeiro
Se uma chamada telefônica pode ser gravada depende de onde estavam as partes envolvidas. As jurisdições variam nesse ponto. Algumas exigem que todos os participantes da ligação consintam. Outras exigem que apenas um participante consinta, o que pode incluir a própria pessoa que está gravando. São regras genuinamente diferentes, e qual delas se aplica ao seu caso não é algo que se descubra ouvindo o áudio.
Essa é uma questão jurídica, não técnica. Isso importa mais do que parece, porque significa que a resposta já estava definida no momento em que a gravação foi feita. Nada do que você fizer depois muda isso. Transcrever o arquivo não muda. Apagar parte do arquivo não muda. Conseguir que a outra pessoa concorde depois não transforma retroativamente a captura original em algo que ela não foi.
Se as duas pessoas não estavam no mesmo lugar, mais de um conjunto de regras pode estar em jogo, e essa é justamente a situação em que vale a pena consultar alguém que realmente entenda da legislação do seu local, em vez de tentar deduzir a partir de algo que você leu por aí. É uma conversa rápida, e ela acontece antes de você construir qualquer coisa em cima da gravação.
Nada disso é motivo para descartar um arquivo que você já tem. Muitas gravações de chamadas são feitas com o conhecimento de todos, ou em lugares onde o consentimento de um único participante já é suficiente, ou pela própria pessoa que estava na ligação, para uso pessoal. Mas resolva essa questão antes de divulgar a transcrição, citá-la ou anexá-la a qualquer coisa. Uma transcrição circula muito mais longe do que um arquivo de áudio — e circula mais rápido.
Por que o áudio de chamada é mais difícil do que uma gravação feita em um ambiente
Uma chamada telefônica é de banda estreita. O codec que transporta a ligação descarta boa parte do som antes que qualquer coisa seja gravada em arquivo, porque só precisa manter o suficiente para uma pessoa acompanhar a conversa em tempo real. Humanos são muito bons em preencher lacunas usando o contexto. A transcrição automática é menos boa nisso, e o detalhe que ela usaria para distinguir um som de outro parecido é justamente parte do que foi descartado.
É por isso que a mesma pessoa, dizendo a mesma frase, é transcrita com mais precisão quando gravada por um gravador sobre a mesa do que quando vem de uma linha telefônica. Não é uma questão de um software ser melhor que o outro. A informação simplesmente não está no arquivo da chamada. Nada feito depois recupera isso — nem redução de ruído, nem normalização de volume, nem passar o arquivo por uma segunda ferramenta. Você está trabalhando com o que sobrou depois do codec.
Some a isso as condições normais de uma ligação real e a coisa fica ainda mais escassa. Uma pessoa está andando. Outra tem uma conexão ruim e o áudio falha por uma sílaba a cada instante. Alguém fala por cima de outra pessoa. Em uma gravação de ambiente, fala sobreposta já é difícil; em uma chamada comprimida, muitas vezes é irrecuperável, e a transcrição vai simplesmente escolher uma voz e descartar a outra, sem avisar que teve dificuldade.
Gravar o alto-falante com um segundo aparelho
Colocar a ligação no alto-falante e gravá-la com outro celular ou um gravador de mão parece uma solução prática. Na verdade, é pior que o original. O lado remoto da chamada já foi comprimido para banda estreita, e agora você está capturando esse áudio comprimido tocado por um alto-falante pequeno, refletindo nas paredes, junto com o eco do ambiente e mais o que estiver por perto. Você mantém todas as perdas que o codec já causou e ainda soma uma nova camada de ruído em cima.
Se algum aparelho ou serviço puder gravar a chamada diretamente, use essa opção. O caminho do alto-falante é um último recurso, e vale saber disso antes de confiar nele para qualquer coisa que precise de precisão.
Um canal ou dois decide se você terá identificação de quem fala
Muitas gravações de chamadas misturam os dois lados da conversa em um único canal. Tudo termina em um só fluxo de áudio, e o sinal mais claro para diferenciar as duas pessoas — de que lado da linha cada uma estava — se perde. O que resta são as próprias vozes: tom, ritmo, timbre. Isso funciona melhor com duas vozes bem diferentes do que com duas parecidas, e funciona pior em áudio de banda estreita, porque as características vocais que ajudariam a diferenciá-las são exatamente o tipo de detalhe que o codec descartou.
Quando os dois lados são mantidos em canais separados, a identificação de quem fala fica muito mais confiável. Cada canal corresponde a uma pessoa. Não há inferência envolvida. Se a ferramenta de gravação que você usa oferecer essa opção, é ela que vale procurar — e vale procurar antes da ligação, não depois.
Ao trabalhar com uma gravação em canal único, leia os rótulos de quem fala como um palpite útil, não como um registro definitivo. Em geral eles vão estar certos em trechos longos e contínuos, e errados perto das trocas de fala, especialmente quando as duas pessoas se interrompem. Se o objetivo da transcrição é saber quem concordou com o quê, é exatamente nas trocas que você precisa que a informação esteja certa — então confira esses momentos no áudio.
Extraindo o texto do arquivo
Depois que uma gravação de chamada é exportada, ela deixa de ser uma ligação e passa a ser um arquivo de áudio comum, que pode ser transcrito como qualquer outro. O passo de exportação varia: apps de gravação, sistemas telefônicos e operadoras diferem entre si, e a opção geralmente está em um botão de compartilhar ou em um menu de três pontos sobre a própria gravação. Primeiro tire o arquivo de lá; depois pare de pensar nele como uma ligação e passe a pensar nele como áudio.
A partir daí, o processo é o mesmo de qualquer arquivo de áudio que você queira transformar em texto. O SozAI transcreve gravações no iOS, Android e macOS com identificação de quem fala, resumos e tradução em mais de 99 idiomas; você pode baixar o aplicativo aqui, e o mesmo caminho serve para mensagens de caixa postal, que são de banda estreita pelo mesmo motivo e se comportam da mesma forma. É uma opção entre várias, e a escolha da ferramenta importa menos do que a qualidade do arquivo que você fornece a ela.
Se não for uma única ligação, mas uma pasta com meses de gravações acumuladas, o problema muda de figura. Transcrever tudo para encontrar uma única frase geralmente é o instinto errado — o objetivo mais útil é conseguir pesquisar um acervo de gravações de chamadas em vez de ler tudo do início ao fim.
Se a gravação puder se tornar prova
Uma gravação feita para você mesmo se lembrar do que foi dito e uma gravação usada como prova seguem padrões diferentes. Para uso pessoal, uma transcrição com algumas imperfeições não é problema; você sabe o que aconteceu e o texto é só um apoio de memória. Para qualquer uso formal, o arquivo original geralmente precisa ser preservado sem edições.
Isso significa manter o arquivo exatamente como ele saiu do aparelho. Não cortar o silêncio do início. Não remover o trecho do meio que parece irrelevante. Não reexportar em outro formato para diminuir o tamanho, e não passar por nenhuma ferramenta que normalize o volume e gere um novo arquivo. Qualquer uma dessas ações produz uma versão derivada, e é o original que tem valor. Trabalhe em uma cópia e deixe o original intocado.
Nesse contexto, a transcrição é um documento de apoio que acompanha a gravação, não que a substitui. Ela ajuda as pessoas a encontrar os trinta segundos relevantes. A gravação é o que esses trinta segundos realmente dizem. Se uma gravação é admissível ou não como prova é uma questão separada, e cabe à mesma pessoa que você consultou sobre a legalidade de fazê-la.
O que você ainda vai precisar corrigir manualmente
As partes de uma ligação que as pessoas mais precisam depois são números, grafias e endereços — um número de protocolo, um valor, a grafia de um sobrenome, o nome de uma rua. Essas também são as partes que o áudio de banda estreita mais prejudica, porque não têm contexto que ajude a reconstruí-las. Uma frase inteira pode ser deduzida a partir das palavras ao redor. Um número de sete dígitos não pode. Se um dígito estiver errado, nada no áudio ao redor sinaliza isso, e a transcrição vai apresentá-lo com a mesma segurança aparente de tudo o mais.
Por isso, trate todo número, nome e endereço em uma transcrição de chamada como algo a verificar, não como algo a usar direto. Encontre o trecho no texto, vá até aquele momento no áudio e escute. Isso leva um minuto por item, e é a diferença entre uma transcrição em que você pode se basear e uma que é apenas plausível. Se um detalhe é importante o bastante para que um erro nele custe algo a você, esse é o teste de que ele precisa ser checado.
Ajuste suas expectativas para o restante de acordo com isso. A transcrição de uma ligação costuma ser um bom registro do conteúdo geral — o formato da conversa, o que foi proposto, o que foi aceito, o tom do desacordo. É um registro mais fraco quando se trata de detalhes precisos, e fica ainda mais fraco quando duas pessoas falam ao mesmo tempo ou quando a conexão cai. Saber em quais partes confiar é a maior parte da habilidade envolvida. A transcrição oferece uma versão rápida e pesquisável da conversa, além de um caminho de volta para o momento exato do áudio de que você precisa. Ela não substitui o áudio — e, num arquivo de banda estreita, nunca poderia.
