Principais pontos
Sim, é possível, mas isso é mais raro do que o marketing sugere. Transcrição que roda no seu aparelho e transcrição que roda em um servidor são duas construções diferentes, não uma configuração que você liga ou desliga, e a maioria dos aplicativos usa servidor porque um modelo local ocupa espaço de armazenamento e roda mais lento em aparelhos mais antigos. Uma política de privacidade que promete criptografia durante a transmissão está descrevendo o caminho, não o destino. Pergunte três coisas a qualquer ferramenta: o áudio sai do aparelho, por quanto tempo ele é guardado e se ele é usado para treinar algum modelo.
Se você está com a gravação de uma sessão de terapia, uma ligação com um advogado ou uma reunião que nunca deveria sair daquela sala, a pergunta não é teórica. Você quer saber se esse arquivo pode se transformar em texto sem que uma cópia dele acabe no equipamento de outra pessoa. A resposta existe, e é mais específica do que a maioria das páginas de produto deixa transparecer.
A seguir está o retrato honesto da situação: o que roda localmente, o que não roda, por que essa divisão existe e o que perguntar antes de confiar a qualquer ferramenta um áudio que você não pode recolher depois.
Transcrição no aparelho e transcrição em servidor são duas construções diferentes
O ponto mais útil a entender é que isso não é uma preferência de privacidade que um aplicativo concede a você. Transcrição feita no seu celular ou notebook e transcrição feita em uma máquina remota são arquiteturas diferentes. Um aplicativo foi construído de um jeito ou de outro. Não existe um botão escondido nas configurações que move o trabalho do servidor para o seu aparelho, porque as peças necessárias para o processamento local ou vieram junto com o aplicativo, ou não vieram.
Transcrição local significa que um modelo de fala vive no seu aparelho. O áudio é processado ali mesmo, o texto sai ali mesmo, e nada precisa viajar. Transcrição em servidor significa que seu áudio é enviado para algum lugar, processado em um equipamento que você não controla, e o texto volta depois. As duas abordagens podem ser bem construídas. As duas podem ser mal construídas. Mas só uma delas mantém o áudio nas suas mãos, e qual das duas você está usando é um fato sobre o software, não sobre o quanto você configurou as coisas com cuidado.
O motivo pelo qual a maioria dos aplicativos escolhe o caminho do servidor não é descaso. Um modelo local precisa ficar armazenado no aparelho, o que consome espaço real de armazenamento. Ele roda no processador que o aparelho tiver, o que significa que fica mais lento em equipamentos antigos e ainda mais lento em arquivos longos. Essas duas restrições já são suficientes para empurrar a maioria dos produtos para servidores, onde o modelo pode ser grande, o hardware pode ser rápido e nada precisa ser baixado. Essa troca é toda a explicação de por que a opção privada é a menos comum.
Criptografia durante a transmissão descreve a estrada, não o destino
É aqui que muita gente razoável acaba com uma falsa sensação de segurança. Uma política de privacidade afirma que seus dados são criptografados durante a transmissão. Essa frase é quase certamente verdadeira, e ela não diz nada sobre se o seu áudio é processado em um servidor ou armazenado ali depois.
Criptografia durante a transmissão significa que a conexão entre o seu aparelho e o serviço é protegida enquanto os dados se movem. É uma afirmação sobre a estrada. Ela é totalmente compatível com o seu áudio chegando a um servidor, sendo processado ali, e ficando guardado por todo o tempo que a política de retenção permitir. Na verdade, uma promessa sobre criptografia na transmissão é, de certa forma, uma confirmação silenciosa de que algo está sendo transmitido. Áudio que nunca sai do seu aparelho não precisa de conexão protegida, porque ele não está fazendo nenhuma viagem.
Então, quando você ler uma página sobre segurança, separe as afirmações. A proteção da conexão é uma afirmação. Onde o processamento acontece é outra. Por quanto tempo o áudio é guardado é uma terceira. Uma página pode ser rigorosamente honesta sobre a primeira e simplesmente silenciosa sobre as outras duas, e você pode acabar acreditando em algo que a página nunca disse.
O que um navegador realmente consegue fazer sem enviar seu arquivo
Existe uma categoria real de ferramentas que processam um arquivo inteiramente dentro do navegador. Você abre uma página, escolhe um arquivo, e o trabalho acontece ali mesmo, na aba. Nada é enviado. Isso não é um discurso de marketing; é assim que a ferramenta é construída, e significa que o arquivo nunca sai da sua máquina.
O problema é o que essas ferramentas conseguem fazer. O processamento local no navegador funciona para tarefas que não precisam de nenhum modelo: converter entre formatos de legenda, ajustar o tempo para que as legendas se encaixem em um vídeo recortado de outro jeito, contar palavras ou caracteres em uma transcrição que você já tem. São transformações de texto e de dados de tempo. São pequenas, previsíveis, e não precisam de nada além do próprio arquivo.
Transformar fala em texto não é esse tipo de tarefa. Isso exige um modelo de fala, e um modelo é uma coisa grande, que precisa vir de algum lugar e viver em algum lugar. Uma página que se oferece para transcrever seu áudio está, na prática, enviando esse áudio para um servidor ser processado. A página é a interface; o trabalho acontece em outro lugar. Se uma ferramenta no navegador transcreve, assuma que há envio, e vá procurar a política de retenção, não a frase tranquilizadora.
As três perguntas que separam respostas de marketing
Você não precisa auditar a infraestrutura de ninguém. Precisa de três respostas, e precisa das três, porque uma boa resposta a uma pergunta pode esconder uma resposta ruim a outra.
- O áudio sai do aparelho? Não é “isso é seguro” nem “isso é criptografado” – é se ele viaja. Um serviço que processa em servidor deveria dizer isso claramente.
- Por quanto tempo ele é guardado? Se o áudio é enviado para algum lugar, ele fica armazenado em algum lugar, pelo menos por um tempo. A pergunta é se isso são minutos, dias, ou até você pedir a exclusão.
- Ele é usado para treinar alguma coisa? Processar seu áudio e aprender com o seu áudio são usos diferentes. Um serviço pode ser honesto sobre o primeiro e vago sobre o segundo.
Se uma página responde só à primeira pergunta, você tem um terço do quadro completo. Se ela não responde nenhuma das três e, em vez disso, oferece só linguagem sobre criptografia, trate isso como uma resposta em si mesma. Vagueza sobre retenção raramente é acidental.
Aplicando esse padrão aqui: o aplicativo de transcrição SozAI roda em servidor, então o áudio que você grava ou envia é enviado para processamento, e os detalhes sobre retenção e tratamento estão descritos na página de segurança e tratamento de dados. Já as ferramentas gratuitas de legenda e contagem no site são a parte que roda inteiramente no navegador, e elas não transcrevem.
Excluir a transcrição não é o mesmo que excluir o áudio
Esse é o tipo de coisa que pega até quem fez tudo certo até aqui. Você termina de lidar com uma gravação sensível, exclui a transcrição do aplicativo, e o item desaparece da sua lista. Parece resolvido.
A transcrição e o áudio geralmente seguem regras de retenção separadas. Remover uma transcrição de um aplicativo a remove da sua visão do aplicativo. O áudio que gerou aquele texto continua no serviço que fez o processamento, sob a política de retenção que esse serviço adota, e essa política pode não ser acionada quando você toca em excluir num pedaço de texto. São duas exclusões diferentes, e só uma delas está diante dos seus olhos.
Então, se o áudio importa, procure especificamente a resposta sobre retenção, na política de privacidade ou onde quer que o serviço documente isso. Procure um período determinado, ou um mecanismo declarado para solicitar a exclusão do arquivo de origem, não só do resultado final. Se você não encontrar nenhum dos dois, não encontrou uma política que cubra o que te preocupa.
O que você perde ao insistir no processamento local
Se você decidir que nada sai do aparelho, ponto final, essa é uma posição defensável, mas ela tem um custo. Vale entender esse custo antes de se comprometer, porque a decepção costuma aparecer depois, no meio de um arquivo longo.
O modelo precisa estar no seu aparelho, então você paga em espaço de armazenamento. Ele precisa rodar no seu aparelho, então você paga em tempo, e essa conta cresce em equipamentos mais antigos e em gravações longas. Uma reunião de duas horas não é uma tarefa de dois minutos em um celular com alguns anos de uso. Não há como comprar sua saída disso dentro da arquitetura local, porque o ponto todo é que nenhuma máquina mais rápida está envolvida.
Sobre precisão, resista à tentação de aceitar uma regra geral em qualquer direção. O que se sabe de fato é que uma configuração local é limitada pelo que cabe no aparelho e pelo que o aparelho consegue calcular, e uma configuração em servidor não tem esse limite. Se isso aparece na sua transcrição depende do modelo, da gravação, dos acentos, do ruído de fundo e do idioma. O único teste honesto é o seu próprio áudio, na ferramenta que você está considerando, antes de depender dela para algo que importa.
E existe um caminho do meio que muita gente ignora: nem toda gravação precisa do mesmo tratamento. A sessão de terapia e a reunião de rotina não exigem o mesmo cuidado. É perfeitamente razoável usar uma ferramenta baseada em servidor para a maior parte do trabalho e manter um pequeno conjunto de gravações totalmente fora disso, transcrevendo-as manualmente ou nem transcrevendo. Decidir em qual grupo um arquivo se encaixa costuma ser um caminho mais rápido para a tranquilidade do que procurar uma única ferramenta que resolva todos os casos.
