Transformar dez minutos de fala gravada em texto em questão de segundos parece útil. Mas, antes dos aplausos, gostaríamos de ler a transcrição.

A Tether, empresa por trás da stablecoin USDT, lançou um modelo de transcrição de áudio chamado QVAC TranscribePsy. Desenvolvedores podem usá-lo para criar aplicativos que processem gravações no próprio dispositivo, sem enviar o áudio para um servidor remoto.

Tire os óculos inteligentes, os robôs humanoides e as grandes promessas sobre privacidade, e o anúncio fica assim: um software que transcreve gravações no seu dispositivo. Evitar que suas conversas acabem no servidor de outra pessoa é uma vantagem real. Isso não diz nada sobre a precisão da transcrição.

Velocidade é só metade da história

O que importa é quanto você vai precisar corrigir depois. Uma reunião de verdade raramente segue um roteiro impecável. As pessoas falam baixo, se interrompem e citam nomes desconhecidos. Errar um número pode ser mais grave do que esquecer dez vírgulas.

A Tether publica, sim, resultados de precisão. Nos testes da empresa, o modelo de 25 idiomas registra uma taxa de erro de palavras de 8,02% no Open ASR e de 21,56% no Common Voice. Os resultados vêm de conjuntos de dados diferentes, então não devem ser tratados como medidas equivalentes de precisão.

Esses números merecem atenção. Eles não dizem quanto você vai precisar corrigir na transcrição da próxima reunião. Não testamos o modelo de forma independente. Se o texto precisa de muitos ajustes, o processamento mais rápido só faz você começar a corrigir mais cedo.

O que significa a marca de 1,65 segundo

A Tether afirma que o modelo transcreve dez minutos de áudio em 1,65 segundo num iPhone 17 Pro Max. A documentação técnica traz um detalhe importante: essa conta não inclui os 12,7 segundos da inicialização a frio, em que o modelo é preparado para funcionar.

Essa espera inicial não se repete a cada gravação. O tempo de 1,65 segundo se refere ao processamento depois que o modelo já está pronto, não ao tempo total de espera quando o modelo ainda precisa ser inicializado. Também é o resultado de um celular específico, não uma promessa para qualquer aparelho.

A transcrição em tempo real ainda não está disponível

Apesar de toda a conversa sobre interação em tempo real, as perguntas frequentes da documentação técnica oficial dizem que esta versão processa uma gravação ou uma fala depois que ela termina. O reconhecimento contínuo ainda está em desenvolvimento.

As versões prontas para celular oferecem suporte a oito idiomas. A versão de 25 idiomas, que inclui o russo, é uma edição separada para computadores e servidores. Essa lista maior de idiomas não vale para as versões móveis disponíveis.

Agora vamos a uma conversa de verdade

Há algo que vale testar aqui: modelos disponíveis para download, processamento local, testes publicados e uma licença Apache 2.0 indicada na ficha do modelo. Os desenvolvedores têm software de verdade para usar.

Agora falta testar uma conversa com barulho de fundo e gente se interrompendo. Publicar a transcrição, contar as correções e comparar o resultado com outra ferramenta usando a mesma gravação. Um programa de transcrição conquista seu espaço quando poupa trabalho. Os robôs podem esperar.