Resumo rápido
Entender um áudio em um idioma que você não fala envolve duas operações distintas: primeiro transformar o som em texto, no idioma em que a pessoa falou, depois traduzir esse texto. O aplicativo de tradução que você já usa não consegue começar sozinho, porque ele espera que você digite algo. É na etapa de transcrição que a qualidade do resultado é decidida, e um erro ali é traduzido fielmente para o seu idioma e deixa de parecer um erro. Fazendo as duas etapas você mesmo, ninguém mais precisa ouvir a mensagem.
Um áudio chega de um parente, de um fornecedor, do dono do imóvel. Você entende algumas palavras, o suficiente para saber que é importante e insuficiente para saber o que está sendo dito. A saída óbvia é abrir o aplicativo de tradução que já está no seu celular, e essa saída óbvia não funciona, porque o app espera que você digite algo e você não consegue digitar o que não conseguiu ouvir.
A segunda saída óbvia é encaminhar o áudio para alguém que fale o idioma. Isso funciona, mas tem um custo que você talvez não queira pagar. Este texto explica como resolver isso sem nenhuma das duas opções, o que a máquina acerta e os pontos específicos em que ela erra — pontos que você consegue identificar mesmo sem entender uma palavra do idioma original.
Por que o app de tradução que você já tem não consegue começar
Traduzir fala é, na verdade, duas operações escondidas sob um único nome. A primeira é a transcrição: transformar o som em palavras escritas, no idioma que a pessoa usou. A segunda é a tradução: transformar essas palavras escritas em um idioma que você lê. São dois mecanismos diferentes, falham de formas diferentes, e a maioria das ferramentas que as pessoas usam só faz a segunda parte.
É exatamente por isso que o app do seu celular fica ali, sem fazer nada útil. Ele foi construído em torno de uma caixa de texto. Texto entra, texto sai. Se você entrega um arquivo de áudio, ele não tem com o que trabalhar. Alguns apps aceitam fala pelo microfone, o que ajuda quando é você quem está falando e pode repetir a frase, mas ajuda muito pouco quando o áudio é uma gravação de outra pessoa falando rápido, com conexão ruim.
Quando você entende essa ordem das operações, o problema muda de forma. Você não está procurando um tradutor. Está procurando algo que produza uma versão escrita da mensagem no idioma original, e a partir daí seus hábitos de tradução de sempre funcionam normalmente. O que você já usa para texto serve perfeitamente para a segunda metade. A primeira metade é o que você precisa resolver.
Isso também explica algo que costuma confundir as pessoas: por que uma mensagem pode voltar traduzida de forma fluente, confiante e completamente errada. A parte de tradução fez o trabalho dela corretamente. Só que recebeu uma entrada ruim e a transformou em algo bonito — só que errado.
O preço de pedir para alguém ouvir por você
Encaminhar a mensagem para um amigo bilíngue, um primo, um colega que por acaso fala o idioma, costuma ser rápido e preciso. Também significa entregar a essa pessoa o conteúdo de uma conversa privada, na íntegra, com tom de voz e tudo.
Para uma mensagem sobre a data de uma entrega, ninguém se importa. Para mensagens sobre dinheiro, saúde ou família, a conta muda. Um áudio de um parente sobre um resultado de exame não é algo que você quer que um colega ouça. Uma mensagem do dono do imóvel sobre atraso no aluguel não é algo que você quer explicar a um amigo antes de decidir o que pensa sobre isso. O mesmo vale para a mensagem de um fornecedor sobre um pagamento que talvez você tenha feito errado.
O que acontece, então, é que a mensagem fica sem ser aberta. Não porque seja pouco importante, mas porque resolver o assunto significa envolver alguém, e envolver alguém tem um custo social que é pago antes mesmo de você saber o que a mensagem diz. Muita gente deixa áudios acumulando por dias exatamente por isso. A mensagem que você não consegue ler é a que você menos quer que seja lida em voz alta para outra pessoa.
Esse é um motivo real para fazer as duas etapas você mesmo, e vale dizer isso claramente, em vez de tratar a privacidade como um bônus qualquer. O ponto não é que a transcrição automática seja melhor do que seu primo. Provavelmente seu primo é melhor. O ponto é que você consegue ler a mensagem primeiro, sozinho, e decidir depois se mais alguém precisa saber.
A primeira etapa decide a qualidade da segunda
Tudo o que determina a utilidade do resultado final depende da transcrição no idioma original. Se ela estiver certa, a tradução é um problema simples. Se estiver errada, o erro viaja com ela.
É aqui que a coisa fica perigosa. Se uma transcrição no idioma original contém um erro, e você não lê aquele idioma, você nunca vai perceber o erro. Ele passa para a etapa de tradução, é traduzido com precisão para um idioma que você entende, e chega parecendo uma frase perfeitamente normal. Não tem nenhuma quebra visível. Nada chama atenção. Uma palavra errada que sobrevive à tradução parece exatamente igual a uma palavra certa.
Compare isso com uma transcrição em um idioma que você fala, onde um erro se denuncia sozinho. Você lê uma frase, ela não faz sentido, você toca o áudio de novo. Esse ciclo de correção simplesmente não existe aqui. Você está lendo o resultado de um processo que não consegue auditar.
Na prática, isso significa que você deve tratar a transcrição, não a tradução, como o ponto a ser desconfiado. Se algo parece estranho no seu idioma, o problema raramente está na parte de tradução. Quase sempre é uma palavra que a transcrição entendeu errado, e a solução é olhar o texto no idioma original naquele ponto e ouvir de novo aquele trecho do áudio, mesmo sem entender o que está sendo dito. Perceber que a pessoa falou uma palavra curta onde a transcrição colocou uma palavra longa já diz alguma coisa.
Deixe a ferramenta identificar o idioma, depois confira o resultado
Existe um obstáculo prático que aparece de cara: algumas ferramentas pedem que você escolha o idioma de origem em uma lista antes de fazer qualquer coisa. Se você não consegue identificar o idioma com certeza — e muita gente não distingue de ouvido idiomas parecidos entre si — você está chutando a configuração que vai determinar todo o resultado.
A detecção automática a partir do próprio áudio elimina essa etapa. A extensão SozAI para o WhatsApp Web identifica o idioma pela gravação, em vez de perguntar qual você acha que é, e mostra uma etiqueta no resultado informando qual idioma foi identificado. Essa etiqueta é a parte realmente útil, porque é assim que você percebe um erro de identificação: se ela indicar um idioma que você sabe que a pessoa não fala, a transcrição abaixo não vale a leitura, e você percebe isso num único olhar, em vez de descobrir depois de dois parágrafos de confusão.
Uma coisa para esperar: o resumo volta no mesmo idioma em que a mensagem foi falada. Esse é o comportamento correto para a primeira etapa, e significa que uma mensagem que você não conseguia ler continua sendo uma mensagem que você não consegue ler. Você transformou um problema de áudio em um problema de texto, que é exatamente o objetivo, mas a etapa de tradução ainda é sua para fazer depois.
As partes com mais chance de erro são as que mais importam
Transcrições automáticas funcionam bem em fala conectada comum e falham justamente em três pontos: nomes de pessoas, nomes de lugares e números. Uma palavra comum pode ser prevista pelo contexto das palavras ao redor. Um sobrenome não pode. O nome de uma rua não pode. Um valor numérico não pode.
Agora pense no que costuma ser o assunto de um áudio: onde se encontrar, quanto se deve, em que dia, quem disse o quê para quem. A informação que você realmente precisa fica concentrada justamente nas partes da transcrição com menos chance de estar certas, e em uma mensagem sobre um endereço ou um valor, essas partes não são detalhe — são a mensagem.
Por isso, leia a transcrição em duas passadas. A primeira dá o formato geral da mensagem: quem está falando, sobre o que é, se precisa de resposta hoje. Confie nessa parte. A segunda passada é só para os detalhes específicos, e ali você deve verificar, não confiar de olhos fechados.
- Toque os poucos segundos de áudio ao redor de qualquer número e preste atenção nos dígitos falados, que costumam ser reconhecíveis mesmo em um idioma que você não entende.
- Confira nomes com seus próprios contatos ou mensagens anteriores, em vez de confiar apenas na transcrição.
- Compare um endereço com um que você já tenha registrado daquela pessoa ou empresa.
- Se um valor determina sua próxima ação, confirme por escrito antes de agir com base nele.
Pedir para quem enviou confirmar um número por escrito não é admitir que você não entendeu nada. É o mesmo que você faria com um número ouvido em uma ligação com má qualidade, mesmo no seu próprio idioma.
O que isso não vai resolver para você
Isso não entrega a mensagem no seu idioma em uma única etapa. Duas etapas significam duas etapas, e a transcrição chega no idioma em que foi falada. Se você quer o resultado final já no seu idioma, sem fazer a parte de tradução separadamente, esse é um trabalho diferente de apenas transcrever, e é para isso que serve a tradução entre idiomas. O mesmo vale para áudios que você tem como arquivo, em vez de como mensagem do WhatsApp — uma gravação, um anexo reencaminhado, algo salvo do celular — que o aplicativo de transcrição resolve, mas uma extensão de navegador para o WhatsApp Web, não.
Isso não vai te contar o tom da mensagem. Uma transcrição curta de uma mensagem longa remove hesitação, carinho, irritação e a pausa antes da frase importante. Se você está tentando entender o quanto um parente está preocupado, só as palavras não vão bastar, e vale ouvir o áudio de novo com a transcrição na frente.
Isso não vai ser confiável em áudios mal gravados. Vento, alto-falante do carro, duas pessoas falando ao mesmo tempo, um áudio gravado no corredor. Um áudio de má qualidade produz uma transcrição confiante e errada, em vez de uma falha evidente — o que é pior, porque parece um resultado perfeitamente pronto.
E isso não vai substituir seu primo quando a mensagem for realmente ambígua. O que essa abordagem faz é permitir que você descubra se a mensagem é ambígua antes que qualquer outra pessoa a ouça. Na maioria das vezes a resposta é não, e você resolve tudo sozinho. Quando a resposta é sim, você já sabe exatamente quais trinta segundos perguntar, em vez de entregar a gravação inteira.
