APIs de voz para texto: um panorama honesto para programadores
Se estás a construir um produto que tem de passar fala a texto, vais escolher entre APIs de voz para texto na nuvem e modelos que correm no teu servidor. Este artigo resume as opções mais conhecidas e o que pesa na escolha, sem preços, porque mudam e cada fornecedor publica os seus.
Um aviso já no início: o usarvoz não tem API pública. É uma app pronta para ditar em português. Só aparece no fim, para quem percebe que afinal não precisa de construir nada.
As opções mais usadas
- OpenAI (API de transcrição): recebe um ficheiro de áudio e devolve texto, em muitas línguas, incluindo português. Integra-se por HTTP sem complicação.
- Google Cloud Speech-to-Text: transcrição em lote e em streaming, vários modelos, encaixa no resto do Google Cloud.
- Azure AI Speech (Microsoft): streaming e lote, modelos personalizados com vocabulário próprio, bom para empresas que já estão no Azure.
- Whisper em código aberto: o modelo publicado pela OpenAI que corres na tua máquina ou servidor. Variantes como whisper.cpp e faster-whisper correm em CPU ou GPU. Não pagas por uso, mas a infra-estrutura é tua.
- Há fornecedores especializados, como a AssemblyAI e a Deepgram. Testa com o teu áudio antes de decidir.
O que avaliar antes de escolher
- Língua e sotaque: grava áudios reais do teu público, em pt-PT ou pt-BR, e compara cada API com o mesmo ficheiro.
- Lote ou tempo real: legendas ao vivo e ditado pedem streaming; gravações aceitam lote.
- Vocabulário: nomes próprios e jargão falham em todo o lado. Vê se a API aceita sugestões de palavras ou modelos personalizados.
- Pontuação: umas devolvem texto pontuado, outras quase em bruto. Isso decide quanto pós-processamento vais escrever.
- Privacidade: onde fica o áudio, durante quanto tempo, se serve para treino e em que região é tratado. Com dados pessoais, confirma o RGPD.
- Custo total: na nuvem pagas ao uso; com o Whisper local pagas máquina, GPU e manutenção.
O trabalho que a API não faz por ti
Chamar a API é o fácil. O resto é código teu: captar o microfone em cada plataforma, cortar e comprimir o áudio, aguentar redes fracas, mostrar uma pré-visualização enquanto a pessoa fala, inserir o texto na caixa certa, pôr vírgulas e pontos onde a frase pede, tirar os "hum" e "ãh", e apagar o áudio no fim. Numa app a sério, é aqui que está a maior parte do esforço.
Onde o ditado por voz entra
Se o objectivo é tu e a tua equipa escreverem por voz no dia-a-dia, e não pôr transcrição dentro de um produto, uma app pronta resolve sem código. O usarvoz faz a pré-visualização no aparelho, a passagem final na nuvem, pontua sozinho em português e apaga o áudio depois da transcrição.
- Instala a extensão do usarvoz no Chrome, a app no iPhone ou a app no Android, e entra com o teu email.
- No computador, clica em qualquer caixa de texto (GitHub, Jira, chatgpt.com) e carrega em Alt+Shift+V.
- Fala normalmente (fala como falas: o usarvoz pontua sozinho; se disseres a pontuação, respeita-a) e carrega outra vez. O texto entra onde estava o cursor.
- Termos técnicos vão para o dicionário em
/conta.html, até 500 palavras.
O usarvoz não tem API pública e não transcreve ficheiros, reuniões nem vídeos. Para isso, as APIs acima são o caminho.
Se só queres escrever a falar, experimenta sem código: 30 minutos grátis, sem cartão.
Experimentar grátisPerguntas frequentes
O usarvoz tem API para integrar no meu sistema?
Não. É uma app de ditado para pessoas, sem API pública.
Compensa correr o Whisper localmente?
Compensa quando o áudio não pode sair da tua infra-estrutura ou o volume é grande. Em troca, ficas com servidor, GPU e actualizações a teu cargo.
Qual API transcreve melhor o português europeu?
Depende do áudio, do sotaque e do vocabulário. O único teste que conta é passar os mesmos ficheiros reais por todas as opções que estás a pensar usar.