O W3C traça uma distinção que a maioria das páginas de produtos deixa nebulosa: o reconhecimento de fala identifica as palavras que alguém diz, enquanto o reconhecimento de voz identifica a pessoa que está falando.
Essa distinção parece técnica até você escolher a ferramenta errada. Um aplicativo de digitação por voz pode transformar sua frase em texto, mas não necessariamente consegue verificar se a frase veio de você. Um sistema de verificação de locutor pode desbloquear uma conta a partir de uma impressão vocal, mas talvez nunca produza uma transcrição legível. Ambos escutam áudio. Eles resolvem problemas diferentes.
Este guia separa seis termos rotineiramente tratados como sinônimos: reconhecimento de fala, reconhecimento de voz, conversão de fala em texto, ditado, transcrição e controle por voz. Use a tabela comparativa para obter uma resposta rápida e depois leia as seções correspondentes ao que você quer fazer.
Principais conclusões
- O reconhecimento de fala identifica o que foi dito. O reconhecimento de voz ou de locutor identifica quem disse.
- A conversão de fala em texto é o resultado escrito produzido por muitos sistemas de reconhecimento de fala.
- O ditado coloca suas palavras faladas no campo de texto em que você está trabalhando. A transcrição costuma processar uma gravação ou conversa.
- O controle por voz vai além da entrada de texto e permite operar botões, menus, janelas e outros elementos da interface.
- Para escrever no dia a dia, procure ditado ou digitação por voz, não reconhecimento de voz.
Os seis termos em resumo
A terminologia em torno das interfaces por voz surgiu de vários campos: acessibilidade, telefonia, biometria, linguística e software de consumo. Cada campo desenvolveu seus próprios rótulos. Depois, os textos de marketing os misturaram. Esta tabela atribui a cada termo uma função prática.
| Termo | Pergunta que responde | Resultado típico | Uso comum |
|---|---|---|---|
| Reconhecimento de fala | O que foi dito? | Palavras ou comandos | Ditado, legendas, assistentes |
| Reconhecimento de voz | Quem está falando? | Identidade ou pontuação de confiança | Autenticação, correspondência de locutor |
| Conversão de fala em texto | Qual texto escrito corresponde ao áudio? | Uma transcrição | Legendas, anotações, áudio pesquisável |
| Ditado ou digitação por voz | Que texto deve aparecer na posição do cursor? | Texto editável em um aplicativo | E-mails, documentos, prompts |
| Transcrição | O que aconteceu neste áudio? | Um registro, muitas vezes com locutores e marcações de tempo | Reuniões, entrevistas, gravações |
| Controle por voz | O que o computador deve fazer? | Uma ação na interface | Navegação e operação sem usar as mãos |
O que é reconhecimento de fala?
O reconhecimento de fala é a tecnologia que converte a linguagem falada em palavras ou a interpreta como um comando. Os engenheiros frequentemente o chamam de reconhecimento automático de fala, abreviado como ASR. A IBM também descreve o reconhecimento de fala e a conversão de fala em texto como termos estreitamente relacionados, porque o texto é o resultado mais visível de um sistema de ASR.
A tarefa central é linguística. O sistema analisa o áudio, estima os sons e escolhe as palavras que melhor correspondem a esses sons e ao contexto. Sistemas modernos também podem acrescentar maiúsculas e pontuação. Ainda podem cometer erros com sotaques, nomes, ruído de fundo, vocabulário especializado e fala que mistura idiomas.
O reconhecimento de fala está por trás de vários produtos que parecem não ter relação entre si. Legendas ao vivo transformam uma apresentação em texto legível. Um assistente automotivo interpreta "ligar para casa" como um comando. Um teclado por voz insere um parágrafo em um e-mail. A interface e o resultado diferem, mas cada sistema primeiro precisa descobrir o que o locutor disse.
A visão geral do W3C sobre reconhecimento de fala reúne ditado e controle do computador nessa categoria ampla. Ela também observa que o reconhecimento de fala pode ajudar pessoas com deficiências físicas a usar computadores sem teclado ou mouse. A precisão importa, mas os comandos, as ferramentas de correção e o suporte a aplicativos incorporados ao reconhecedor também importam.
O que é reconhecimento de voz?
Em sentido estrito, reconhecimento de voz significa reconhecer um locutor pelas características de sua voz. O termo mais preciso no setor é reconhecimento de locutor. Ele pode identificar um provável locutor em um conjunto de pessoas cadastradas ou verificar se um locutor corresponde à identidade declarada.
A tarefa central é biométrica, não linguística. O sistema procura padrões no tom, na cadência, nas características do trato vocal e em outros atributos. O resultado pode ser "este provavelmente é o titular da conta", em vez de uma frase. Um sistema pode realizar o reconhecimento de locutor sem se importar com o significado da frase.
Há duas formas comuns:
- Identificação do locutor pergunta qual pessoa conhecida está falando.
- Verificação do locutor pergunta se a voz corresponde à identidade que a pessoa afirma ter.
Nenhum dos resultados deve ser considerado infalível. Gravações, fala sintetizada, doenças, envelhecimento, ambientes ruidosos e amostras de cadastro de baixa qualidade podem afetar um sistema de biometria por voz. Serviços com requisitos de segurança geralmente combinam a voz com outros sinais, em vez de tratá-la como prova mágica de identidade.
No uso cotidiano, a linguagem é menos rigorosa. As pessoas pesquisam "software de reconhecimento de voz" quando querem ditado. Páginas de produtos às vezes usam a expressão da mesma forma. Esse uso é comum, mas oculta a diferença entre compreender palavras e identificar um locutor. Se seu objetivo é escrever, os termos de busca úteis são conversão de fala em texto, digitação por voz ou ditado.
Onde a conversão de fala em texto se encaixa
A conversão de fala em texto descreve o processo e seu resultado: entra áudio, saem palavras escritas. Em geral, ela é viabilizada pelo reconhecimento de fala. A Microsoft documenta serviços de conversão de fala em texto para áudio em tempo real e gravações em lote, enquanto o Google descreve modelos ajustados a diferentes tipos de áudio e necessidades de transmissão contínua.
O termo diz menos sobre o fluxo de trabalho ao redor. Um mecanismo de conversão de fala em texto pode devolver a um desenvolvedor uma cadeia de caracteres sem formatação. Um serviço de legendagem pode dividir essa cadeia em linhas sincronizadas. Uma ferramenta de reuniões pode adicionar rótulos de locutor. Um teclado por voz pode ajustar a frase e inseri-la na posição do cursor. O reconhecedor pode ser semelhante, enquanto a experiência do produto é completamente diferente.
É por isso que comparar ferramentas apenas pelo índice de precisão anunciado é pouco útil. Você também precisa saber se a ferramenta dá conta do seu idioma, seus aplicativos, pontuação, gravações longas, vários locutores, correções, privacidade e o intervalo entre falar e ver o resultado. Nosso guia sobre ditado local versus na nuvem explica uma escolha arquitetural importante por trás dessas concessões.
Ditado e transcrição compartilham um mecanismo, não um fluxo de trabalho
O ditado costuma ser uma composição intencional feita por uma pessoa. Você sabe que as palavras devem virar texto. O resultado aparece em tempo real ou após um breve trecho falado, idealmente onde o cursor já está. Você o corrige como parte da escrita.
A transcrição geralmente cria um registro de áudio que já existe ou está ocorrendo de forma independente. O áudio pode conter várias pessoas, interrupções e conteúdo que precisa permanecer fiel à gravação. Entre os recursos úteis de transcrição estão marcações de tempo, diarização de locutores, links de reprodução e processamento em lote.
Considere uma reunião de equipe. Dizer "Escreva uma breve atualização informando que o lançamento passou para sexta-feira" em um documento é ditado. Enviar a gravação de 45 minutos e produzir um registro com identificação dos locutores é transcrição. Transformar o registro em uma atualização concisa é fazer uma síntese. Um mesmo produto pode oferecer os três, mas são tarefas separadas.
O Talkpad foi desenvolvido para o ditado. No macOS e no Windows, você posiciona o cursor no aplicativo em que quer inserir texto, mantém pressionado o atalho de pressionar para falar, fala e solta. O resultado se destina a virar um texto útil para o trabalho, e não uma transcrição para arquivo. Leia o guia do ditado com pressionar para falar para entender a diferença prática entre esse fluxo de trabalho e as ferramentas que ficam sempre escutando.
Digitação por voz e ditado são quase a mesma coisa
Digitação por voz é o termo mais amigável para o público geral para o ditado em um campo de texto. A Microsoft usa "digitação por voz" para o recurso do Windows aberto com Win + H. A Apple chama seu recurso integrado de entrada de texto de Ditado. O Google Docs chama seu recurso de Digitação por voz. Os nomes diferem mais do que a função básica.
Um teclado por voz para computador pode acrescentar outra camada. Ele pode funcionar em vários aplicativos, usar um atalho que se mantém pressionado para falar, corrigir a pontuação e oferecer opções de idioma além do teclado ativo do sistema operacional. O teste importante não é o nome. Posicione o cursor no seu aplicativo de trabalho real e veja se a ferramenta retorna texto editável com precisão e latência aceitáveis.
Se você está começando a usar o Windows, o guia de atalhos de ditado do Windows aborda Win + H, pontuação, troca de idioma e quando um teclado por voz que funciona entre aplicativos pode ser mais adequado.
Controle por voz diz respeito a ações
O controle por voz permite que uma pessoa opere a interface: abrir um aplicativo, clicar em um controle com rótulo, escolher um item de menu, rolar, selecionar texto ou mover o foco. Muitas vezes inclui ditado, mas a entrada de texto é apenas uma parte do sistema.
A Apple deixa essa separação visível. O Ditado insere texto. O Controle por Voz oferece comandos mais amplos de navegação e edição. De modo semelhante, o Windows oferece digitação por voz para entrada de texto e Acesso por Voz para operar o PC por fala. Alguém que usa o mouse confortavelmente talvez precise apenas de ditado. Quem busca acesso ao computador sem usar as mãos pode precisar do sistema de comandos mais amplo.
Essa diferença importa nas decisões de compra relacionadas à acessibilidade. Uma transcrição rápida não garante que uma pessoa consiga corrigir um erro, escolher um botão ou alternar entre aplicativos sem usar as mãos. Teste a tarefa completa, incluindo como se recuperar quando o reconhecedor entende o comando errado.
Como escolher a categoria certa
Comece pelo resultado de que você precisa e use a expressão de busca correspondente.
- Você quer escrever em e-mails, documentos, chats ou ferramentas de IA: escolha ditado ou digitação por voz.
- Você quer um registro pesquisável de uma reunião ou gravação: escolha transcrição.
- Você quer legendas enquanto alguém fala: escolha conversão de fala em texto ao vivo ou legendagem.
- Você quer operar o computador inteiro pela fala: escolha controle por voz ou Acesso por Voz.
- Você quer verificar quem está falando: escolha verificação de locutor ou biometria por voz.
- Você está desenvolvendo um produto: avalie uma API de reconhecimento de fala e depois adicione o fluxo de trabalho de que seus usuários precisam.
Para ferramentas de escrita, faça um pequeno teste nos aplicativos importantes. Dite um parágrafo comum, uma pergunta, uma frase com dois nomes e um termo especializado. Verifique a latência, a pontuação, o esforço de revisão e se o texto aparece no lugar certo. Uma lista de recursos não consegue dizer quanta correção a sua própria fala vai exigir.
Erros comuns de compra
Comprar biometria por voz quando você precisa de texto
Um produto centrado em verificação de locutor pode ter excelente capacidade de confirmar identidades e nenhuma interface de escrita útil. Em vez disso, procure digitação por voz ou ditado.
Comprar transcrição de reuniões para escrever no dia a dia
As ferramentas de reunião são projetadas em torno de gravações, participantes e resumos. Elas podem ser pouco práticas quando você só quer três frases dentro de um e-mail. Escolha o fluxo de trabalho, não a lista mais impressionante de recursos de IA.
Presumir que ferramentas integradas e ferramentas que funcionam em vários aplicativos são intercambiáveis
O ditado integrado é gratuito e pode ser suficiente. Um teclado por voz separado pode oferecer outra dinâmica de uso da tecla de atalho, recursos diferentes de limpeza do texto, suporte a outros idiomas ou compatibilidade com outros aplicativos. Compare os dois com a mesma amostra antes de pagar.
Ignorar a correção
A primeira transcrição é apenas metade da experiência. Verifique com que rapidez você consegue desfazer, editar, repetir ou passar para o teclado quando precisa de sequências de caracteres exatas. Nomes, números, URLs e compromissos sempre merecem revisão.
Perguntas frequentes
O reconhecimento de fala é o mesmo que conversão de fala em texto?
A conversão de fala em texto é uma aplicação e um resultado comuns do reconhecimento de fala. O reconhecimento de fala também pode interpretar comandos falados sem produzir uma transcrição visível.
Qual é a diferença entre reconhecimento de fala e reconhecimento de voz?
O reconhecimento de fala identifica o que alguém disse. O reconhecimento de voz ou de locutor identifica ou verifica quem está falando com base nas características de sua voz.
O ditado é reconhecimento de fala ou reconhecimento de voz?
O ditado usa reconhecimento de fala, geralmente com conversão de fala em texto, para inserir palavras faladas em um documento ou campo de texto. Ele não precisa identificar o locutor.
Qual é a diferença entre ditado e transcrição?
O ditado geralmente envolve uma pessoa compondo texto de propósito. A transcrição cria um registro de áudio ao vivo ou gravado e pode acrescentar marcações de tempo, rótulos de locutor e links de reprodução.
Qual é a diferença entre digitação por voz e controle por voz?
A digitação por voz insere palavras na posição do cursor. O controle por voz também opera elementos da interface, navega por aplicativos, seleciona texto e realiza ações no computador por fala.
O Talkpad está disponível para macOS e Windows. O Pro custa US$ 8 por mês ou US$ 6 por mês no plano anual para uso mais intenso. Baixe o Talkpad gratuitamente – 2.500 palavras por semana no plano gratuito.
Baixar para macOS
Baixar para Windows