Pela equipa editorial do whispertranscribe.ai · Atualizado em novembro de 2026 · 12 min de leitura · Categoria: fundamentos de transcrição
O que é conversão de voz em texto? É software que ouve palavras faladas e as escreve como texto editável. Também se chama conversão de fala em texto ou reconhecimento automático de fala (ASR). Encontra-o em duas formas: em direto, quando as palavras aparecem enquanto alguém fala, e a partir de uma gravação, quando um ficheiro de áudio ou vídeo já concluído é transformado numa transcrição.
Uma nota de transparência: desenvolvemos o whispertranscribe.ai, um serviço de transcrição no navegador. As explicações sobre a tecnologia abaixo remetem para fontes da Google, Microsoft, Apple, W3C ou para uma revisão de investigação.
Resposta rápida: o que é voz para texto?
A conversão de voz em texto transforma automaticamente a fala em texto: entra o áudio, um modelo de reconhecimento escolhe as palavras mais prováveis e o software acrescenta pontuação.
- Outros nomes: fala para texto, reconhecimento de fala, ASR, escrita por voz e ditado por voz.
- Dois modos: em direto, para escrita e legendas em tempo real, e por ficheiro, para gravações que já tem.
- O limite: a precisão depende muito do áudio. Ruído, distância do microfone, sotaques fortes, termos técnicos e vozes sobrepostas aumentam os erros.
Voz para texto, fala para texto, ditado e transcrição
«Voz para texto» e «fala para texto» designam a mesma coisa. O ditado é uma das tarefas possíveis, falando para uma caixa de texto; a transcrição é outra, convertendo uma gravação num registo escrito. Na distinção adotada pelo W3C, o reconhecimento de voz identifica quem está a falar.
A Iniciativa de Acessibilidade Web do W3C usa «reconhecimento de fala» para converter palavras em texto e reserva «reconhecimento de voz» ou «reconhecimento do locutor» para a tecnologia que identifica a pessoa, não as palavras.
| Termo | Significado habitual | Resultado típico |
|---|---|---|
| Voz para texto | Nome corrente para a conversão da fala em texto | Texto no ecrã ou num ficheiro |
| Fala para texto (STT) | A mesma ideia; termo comum na documentação de software | Texto, muitas vezes com marcas temporais |
| Reconhecimento automático de fala (ASR) | Área técnica e modelo que suporta a conversão | Sequência de palavras mais provável |
| Ditado ou escrita por voz | Falar para um campo de texto em vez de escrever | Texto inserido onde está o cursor |
| Transcrição | Registo escrito de uma gravação ou acontecimento | Transcrição editável, pesquisável e exportável |
| Legendas em direto | Texto apresentado em tempo real enquanto o áudio é reproduzido | Legendas no ecrã, normalmente não guardadas |
| Reconhecimento de voz ou do locutor | Identificação de quem fala | Uma etiqueta de locutor, não as palavras |
Todo o ditado é uma forma de voz para texto, mas a conversão de voz em texto não se limita ao ditado. Uma entrevista de 90 minutos exige transcrição; responder a um e-mail sem usar as mãos pede ditado.
Como funciona a conversão de voz em texto?
Um sistema deste tipo capta áudio, transforma o som em características numéricas, usa um modelo treinado para encontrar as palavras mais prováveis e formata o resultado. Ao longo da última década, mudou sobretudo a forma como o modelo é construído.
- Captação. Um microfone ou ficheiro de áudio fornece um sinal digital. A documentação do Google Cloud Speech-to-Text recomenda gravar a 16.000 Hz quando há escolha. Taxas mais baixas podem prejudicar a precisão; taxas superiores não fazem diferença apreciável.
- Extração de características. O sinal é dividido em segmentos curtos e convertido em características, geralmente um espectrograma que mostra a variação da energia sonora entre frequências ao longo do tempo.
- Reconhecimento. Um modelo associa essas características à sequência de palavras mais provável.
- Formatação. O sistema acrescenta pontuação, maiúsculas e, por vezes, marcas temporais ou etiquetas de locutor.
A abordagem clássica: modelo acústico e modelo de linguagem
Durante décadas, o reconhecimento de fala foi dividido em partes. Uma revisão de 2023 descreve o sistema clássico com quatro componentes: extração de características acústicas, modelação acústica, modelação de linguagem e pesquisa da melhor resposta global.
- O modelo acústico estima que sons da fala existem em cada segmento. Os sistemas clássicos recorriam a modelos ocultos de Markov para lidar com diferentes velocidades de fala.
- Um léxico de pronúncia liga esses sons a palavras.
- O modelo de linguagem avalia quais as sequências de palavras prováveis, ajudando o sistema a preferir uma frase com sentido a outra que soa de forma semelhante mas não faz sentido.
A abordagem moderna: modelos de extremo a extremo
Os sistemas mais recentes são sobretudo de extremo a extremo: uma rede neuronal aprende o percurso completo do áudio ao texto a partir de gravações transcritas. A mesma revisão refere que a aprendizagem profunda reduziu as taxas de erro por palavra em mais de 50% relativamente aos modelos anteriores e que os modelos de extremo a extremo se tornaram uma abordagem predominante. O Whisper da OpenAI é um exemplo conhecido; explicamo-lo no guia O que é Whisper AI?.
| Processo clássico | Modelo de extremo a extremo | |
|---|---|---|
| Estrutura | Modelo acústico, léxico de pronúncia e modelo de linguagem separados | Uma rede neuronal do áudio ao texto |
| Dados e trabalho para treinar | Listas de palavras e fonemas feitas manualmente e várias etapas de treino | Grandes quantidades de fala transcrita |
| Limitação típica | Componentes treinados separadamente podem acumular erros e custos | Precisa de muita fala transcrita; é mais difícil aproveitar dados apenas em texto |
| Conhecimento da língua | Modelo de linguagem separado | Aprendido na rede; pode acrescentar-se um modelo externo |
Transcrição em direto e por ficheiro: qual é a diferença?
A conversão em direto apresenta texto enquanto a pessoa ainda fala, pelo que serve para ditado e legendas ao vivo. A transcrição por ficheiro processa uma gravação concluída e entrega o texto depois, sendo adequada para entrevistas, reuniões e aulas.
O Google Cloud Speech-to-Text tem três tipos de pedido: síncrono para áudio até 1 minuto, assíncrono para ficheiros até 480 minutos e transmissão em direto, que devolve resultados provisórios enquanto a pessoa fala. A documentação do Azure Speech da Microsoft distingue igualmente transcrição em tempo real, rápida e por lotes; ambas as páginas foram consultadas em novembro de 2026.
| Voz para texto em direto | Transcrição de ficheiros | |
|---|---|---|
| Quando aparece o texto | Enquanto fala; as palavras provisórias podem mudar à medida que chega áudio | Depois de processada a gravação |
| Usos típicos | Ditado, legendas em direto, assistentes de voz | Entrevistas, reuniões, aulas, podcasts e legendas de vídeo |
| O que fica guardado | O que chegar à caixa de texto ou à janela de legendas | Uma transcrição que pode editar e exportar |
| Principal compromisso | Rapidez em vez de acabamento | Há espera, mas pode voltar a processar o ficheiro com outras definições |
Uma regra prática: se ninguém precisar do texto imediatamente, grave áudio limpo e transcreva o ficheiro. Assim conserva o original e pode comparar qualquer frase com a gravação.
Para que serve a conversão de voz em texto?
É usada para escrever sem teclado, transformar gravações em notas pesquisáveis, legendar vídeos e tornar conteúdos falados acessíveis. A documentação da Microsoft também menciona utilizações em centros de contacto, como análises depois de uma chamada.
| Utilização | Modo habitual |
|---|---|
| Escrever e-mails, mensagens e rascunhos por voz | Ditado em direto |
| Notas de reuniões e entrevistas | Transcrição de ficheiro ou modo em direto para notas rápidas |
| Notas de aulas e seminários | Gravação seguida de transcrição |
| Legendas para vídeo | Transcrição de ficheiro com exportação SRT ou VTT |
| Notas de voz e chamadas gravadas | Transcrição de ficheiro |
| Acessibilidade para pessoas surdas, com perda auditiva ou que não podem usar teclado | Legendas em direto e ditado |
O nosso guia de aplicações para gravar aulas explica o caso das aulas.
Onde encontrar voz para texto no telemóvel ou no computador
A maioria dos dispositivos já inclui escrita por voz: tecla com o logótipo do Windows + H no Windows 11, Ditado no Mac ou iPhone, ou o microfone do teclado Gboard da Google no Android. Estas ferramentas escrevem no campo ativo; não transcrevem gravações que já existem.
| Plataforma | Função integrada | Como começar, segundo a ajuda oficial | Precisa de Internet? |
|---|---|---|---|
| Windows 11 | Escrita por voz | Coloque o cursor numa caixa de texto e prima a tecla com o logótipo do Windows + H | Sim. A Microsoft diz que usa reconhecimento de fala em linha baseado no Azure Speech |
| Mac | Ditado | Ative em Definições do Sistema, Teclado, Ditado. Inicie com a tecla do microfone, o atalho de ditado ou Editar e Iniciar Ditado | Depende. As definições de teclado indicam se o ditado geral é processado no Mac |
| iPhone | Ditado | Definições, Geral, Teclado, Ativar Ditado. Depois toque no microfone do teclado | Muitas vezes não. A Apple indica que o ditado é processado no iPhone sem Internet em muitos idiomas |
| Android | Escrita por voz do Gboard | Em qualquer aplicação onde possa escrever, toque no microfone no topo do teclado | A página da Google não especifica |
Alguns pormenores das páginas oficiais:
- Windows: o guia de escrita por voz da Microsoft também explica a opção de pontuação automática.
- Mac: segundo o guia de Ditado para Mac da Apple, o ditado para após 30 segundos sem fala e as palavras incertas são sublinhadas a azul, como o inglês «flour» quando se queria dizer «flower».
- iPhone: o guia de Ditado para iPhone da Apple apresenta comandos falados para pontuação e edição.
- Android: a ajuda do Gboard indica que a escrita por voz não funciona em todos os idiomas e que alguns passos exigem Android 7.0 ou posterior.
Os nomes dos menus mudam entre versões; siga a página de ajuda do seu dispositivo.
Que precisão tem e quais são os limites?
Com áudio nítido de uma pessoa perto do microfone, os sistemas modernos acertam na maioria das palavras. A precisão diminui com ruído, distância, sotaques fortes, vocabulário especializado e vozes sobrepostas. Não existe uma percentagem universal: a gravação conta tanto como o software.
A medida habitual é a taxa de erro por palavra (WER): soma as palavras substituídas, omitidas ou acrescentadas e divide pelo total de palavras de uma transcrição revista por uma pessoa. O artigo sobre a precisão do Whisper mostra quanto a WER varia entre audiolivros nítidos e reuniões gravadas de longe.
| Limitação | Porquê | O que ajuda |
|---|---|---|
| Sotaques e dialetos | O modelo encontra alguns sotaques muito menos vezes no treino | Escolher a variante regional e testar um pequeno excerto |
| Ruído de fundo e distância | O ruído e o eco tornam o sinal menos claro | Aproximar-se do microfone e usar uma sala silenciosa ou auscultadores com microfone |
| Termos técnicos, nomes e palavras raras | Os modelos favorecem palavras comuns | Listas personalizadas de termos, que a Microsoft chama listas de expressões, ou revisão de nomes e números |
| Várias pessoas e vozes sobrepostas | É difícil separar vozes em simultâneo; identificar locutores é uma tarefa própria, chamada diarização | Falar uma pessoa de cada vez e verificar as etiquetas |
| Áudio telefónico de baixa qualidade | A Google indica que muitas chamadas telefónicas tradicionais usam 8.000 Hz, o que pode reduzir a precisão | Gravar com melhor qualidade; aumentar a frequência de amostragem não recupera o áudio antigo |
| Palavras que soam da mesma forma | Em inglês, «flour» e «flower» soam de forma idêntica | Reler o texto antes de enviar |
Dois hábitos detetam muitos erros: confira nomes, números e termos técnicos com o áudio e use legendas em direto como orientação, não como registo definitivo.
Voz para texto e acessibilidade
A voz para texto ajuda em duas direções. O ditado permite escrever falando; o W3C refere pessoas com deficiência física, lesões por esforço repetitivo e dificuldades cognitivas ou de aprendizagem entre quem depende dele. Legendas e transcrições permitem a pessoas surdas ou com perda auditiva acompanhar o áudio.
Na página sobre deficiências auditivas, o W3C diz que os conteúdos de áudio precisam de alternativas como transcrições e legendas. Avisa também que as legendas automáticas normalmente não são suficientemente precisas para servir de alternativa, pois podem falhar termos especializados e juntar frases. Reveja e corrija o resultado antes de publicar. O guia sobre tipos de legendas explica as diferenças.
Os telemóveis também têm ferramentas em direto. As Legendas em Tempo Real da Apple, no iPhone 11 ou posterior, transcrevem em tempo real o áudio das aplicações ou do ambiente; a Apple alerta para não depender delas em emergências ou situações de alto risco. O Live Transcribe da Google no Android apresenta fala e sons em texto e precisa de Internet, salvo quando se usa um idioma offline.
Como escolher uma ferramenta de voz para texto: 5 critérios
Comece pelo resultado de que precisa. Para uma mensagem rápida, o ditado integrado basta. Para uma gravação longa, avalie as ferramentas de transcrição por estes cinco pontos.
- Em direto ou gravado? A escrita por voz precisa de ditado dentro das aplicações. Gravações existentes precisam de uma ferramenta que aceite ficheiros e, eventualmente, ligações.
- Idiomas e sotaques. Confirme que o idioma e a variante regional constam no modo que vai usar; as opções em direto e por ficheiro nem sempre coincidem.
- Para onde vai o áudio. Algumas ferramentas processam a fala no dispositivo; outras enviam-na para um servidor. Leia a política de privacidade antes de carregar gravações sensíveis e obtenha consentimento antes de gravar outras pessoas.
- O resultado disponível. Procure etiquetas de locutor, marcas temporais, um editor e exportações como DOCX, TXT, SRT ou VTT.
- Limites e custo. Verifique a duração máxima do ficheiro, o tamanho permitido e como o preço aumenta com as horas de áudio.
Se o orçamento for a prioridade, a seleção dos melhores programas gratuitos de transcrição compara as ofertas gratuitas.
Onde se enquadra o whispertranscribe.ai
O whispertranscribe.ai é um serviço no navegador que converte gravações em texto e oferece transcrição em direto do microfone. Não é uma ferramenta de ditado: não escreve noutras aplicações e não tem aplicação para computador. Segundo as nossas páginas de produto:
- Carregar gravações. Use voz para texto online para ficheiros de áudio e vídeo, como MP3, WAV, M4A, MP4 e MOV, até 5 GB e 10 horas. A transcrição de ficheiros abrange mais de 130 idiomas e pode identificar locutores.
- Transcrever a partir de uma ligação. Cole uma ligação do YouTube, Vimeo, Google Drive ou Dropbox em Transcrever a partir de URL.
- Gravar no navegador. Grave e transcreva a sua voz sem instalar nada ou carregue notas de voz.
- Transcrição em direto. A página de transcrição em direto capta o microfone e apresenta a fala em texto em tempo real. Escolha o idioma e o microfone e, se quiser, ative a identificação de locutores. A lista de idiomas é mais curta do que para carregamentos.
- Exportações. DOCX, PDF, SRT, VTT, TXT e CSV; o gerador de legendas com IA cria ficheiros de legendas. Também pode processar chamadas gravadas: veja a transcrição de chamadas.
Com áudio nítido, a precisão pode atingir 99%; ruído de fundo, sotaques fortes e vozes sobrepostas reduzem-na. Os planos pagos começam em 9,99 USD por mês com faturação anual (preços); pode começar gratuitamente e sem conta. A lista completa está na página de funcionalidades.
Perguntas frequentes
Voz para texto é o mesmo que fala para texto?
Sim. Os dois nomes descrevem a mesma tecnologia: software que ouve a fala e produz texto editável. «Fala para texto» é mais comum na documentação para programadores da Google e da Microsoft; «voz para texto» é uma expressão comum nas pesquisas. Ambas usam reconhecimento automático de fala. Convém distinguir «reconhecimento de voz», que o W3C usa para identificar quem fala, não o que foi dito.
Voz para texto é o mesmo que ditado?
Não exatamente. O ditado é uma aplicação da voz para texto: fala para um campo e as palavras aparecem onde está o cursor, como na escrita por voz do Windows ou no Ditado da Apple. Voz para texto também inclui transcrição, que transforma uma gravação completa de entrevista, aula ou reunião em texto editável. Para escrever um novo texto, use ditado. Se já tiver áudio e precisar de um registo escrito, use uma ferramenta de transcrição.
A conversão de voz em texto precisa de Internet?
Depende da ferramenta. A Microsoft diz que a escrita por voz do Windows precisa de Internet porque usa reconhecimento online. A Apple indica que o Ditado do iPhone é processado no dispositivo em muitos idiomas, sem Internet; no Mac, as definições de teclado mostram se o processamento é local. O Live Transcribe da Google precisa de Internet, salvo quando se usa um idioma offline. Serviços de transcrição na nuvem, incluindo os que funcionam no navegador, precisam de ligação para carregar e processar o áudio.
A voz para texto é gratuita?
A versão básica é gratuita na maioria dos dispositivos. Windows, macOS, iOS e Android incluem ditado ou escrita por voz sem custo adicional, embora os idiomas variem. Os custos surgem frequentemente nas gravações longas: muitos serviços têm um teste ou plano gratuito e depois cobram pelas horas de áudio ou por subscrição. Antes de pagar, verifique a duração e o tamanho máximos, os idiomas e os formatos de exportação incluídos.
Que precisão tem a voz para texto?
Com áudio nítido de uma pessoa perto do microfone, os sistemas atuais acertam na maioria das palavras, mas não existe uma percentagem universal. Os erros aumentam com ruído, eco, distância, sotaques fortes, vocabulário técnico e vozes sobrepostas. A medida habitual é a taxa de erro por palavra, que conta palavras trocadas, em falta e acrescentadas. Antes de usar a transcrição, confira nomes, números e termos especializados com o áudio.
A voz para texto consegue identificar quem está a falar?
Algumas ferramentas conseguem. Identificar quem falou em cada momento é uma etapa separada chamada diarização de locutores, que nem todas incluem. O ditado integrado pressupõe uma só pessoa: quem dita. Os serviços de transcrição costumam acrescentar etiquetas; por exemplo, o Azure Speech da Microsoft documenta diarização para até 35 locutores. As etiquetas funcionam melhor quando as vozes são distintas e não falam ao mesmo tempo. Reveja-as em gravações com vozes semelhantes ou sobrepostas.
Tem uma gravação para converter em texto? Carregue-a no whispertranscribe.ai para obter uma transcrição em mais de 130 idiomas, com exportações DOCX, PDF, SRT e VTT.
Referências
- Google Cloud: Visão geral do Cloud Speech-to-Text (consultado em novembro de 2026)
- Microsoft Learn: O que é fala para texto? (Azure Speech) (consultado em novembro de 2026)
- Prabhavalkar, Hori, Sainath, Schlüter, Watanabe: End-to-End Speech Recognition: A Survey (arXiv 2303.03329)
- W3C WAI: Reconhecimento de fala e Deficiências auditivas
- Apoio da Microsoft: Usar a escrita por voz no computador
- Apoio da Apple: Ditar mensagens e documentos no Mac e Ditar texto no iPhone
- Google: Ajuda do Gboard: escrever por voz
