Reconhecimento automático de fala (ASR)
Tecnologia que transforma fala em texto escrito, usada em ditado por voz, legendas automáticas e assistentes de voz; do inglês automatic speech recognition.
ASR é a sigla em inglês de automatic speech recognition, ou reconhecimento automático de fala. É a tecnologia que escuta o que alguém diz e transforma em texto escrito. Também aparece com o nome speech-to-text, “fala para texto”.
Você provavelmente já usou: quando dita uma mensagem no celular em vez de digitar, quando pede algo para um assistente de voz, ou quando um vídeo ganha legenda automática.
A IBM faz uma distinção que vale guardar. Reconhecimento de fala é entender o que foi dito e escrever. Reconhecimento de voz é identificar quem está falando, como numa verificação de identidade pela voz. Nomes parecidos, tarefas diferentes.
A ideia tem décadas de estrada. Segundo a IBM, em 1962 a empresa lançou uma máquina chamada “Shoebox”, que reconhecia 16 palavras. Hoje, ainda segundo a IBM, a tecnologia é usada em áreas como a automotiva e a saúde, e sua adoção acelerou com os avanços do aprendizado profundo.
Mas não é infalível. A própria IBM lista o que atrapalha: pronúncia, sotaque, tom, volume e barulho de fundo. Quem já viu a legenda automática transformar o nome da cidade numa palavra sem sentido sabe do que se trata. Sotaque regional, conversa atravessada e música alta no churrasco são desafios reais.
No fluxo de um assistente de voz, o ASR costuma entrar depois da palavra de ativação, que avisa a hora de começar a ouvir. O caminho de volta, do texto para a voz, é tarefa de outra tecnologia, a síntese de fala (TTS).
Um cuidado: transcrição automática ajuda muito, mas, em reportagem, ata ou documento importante, vale conferir o texto com o áudio original.