APIs de voz para texto: um panorama honesto para desenvolvedores

As opções mais usadas

• OpenAI (API de transcrição): recebe um arquivo de áudio e devolve texto, com suporte a muitos idiomas, incluindo português. Simples de integrar por HTTP.
• Google Cloud Speech-to-Text: transcrição em lote e em streaming, vários modelos, integração natural com o resto do Google Cloud.
• Azure AI Speech (Microsoft): streaming e lote, modelos personalizados com vocabulário próprio, bom encaixe em empresas que já usam Azure.
• Whisper de código aberto: o modelo publicado pela OpenAI que você roda na sua máquina ou servidor. Versões como whisper.cpp e faster-whisper rodam em CPU ou GPU. Sem custo por uso, mas o custo de infraestrutura é seu.
• Há outros fornecedores especializados, como AssemblyAI e Deepgram. Teste com o seu áudio antes de decidir.

O que avaliar antes de escolher

1. Idioma e sotaque: grave áudios reais do seu público, em pt-BR ou pt-PT, e compare o resultado de cada API com o mesmo arquivo.
2. Lote ou tempo real: legenda ao vivo e ditado pedem streaming; transcrever gravações aceita lote.
3. Vocabulário: nomes próprios e jargão erram em todo lugar. Veja se a API aceita dicas de palavras ou modelos personalizados.
4. Pontuação e formatação: algumas devolvem texto pontuado, outras quase cru. Isso muda quanto pós-processamento você vai escrever.
5. Privacidade: onde o áudio fica, por quanto tempo, se é usado para treino e em que região é processado. Para dados pessoais, confira a LGPD.
6. Custo total: na nuvem você paga por uso; no Whisper local, paga máquina, GPU e manutenção.

O trabalho que a API não faz

Chamar a API é a parte fácil. O resto é código seu: capturar o microfone em cada plataforma, cortar e comprimir o áudio, lidar com rede ruim, mostrar uma prévia enquanto a pessoa fala, inserir o texto no campo certo, pôr vírgulas e pontos onde a frase pede, remover "hum" e "ãh", e apagar o áudio depois. Num app de verdade, isso é a maior parte do esforço.

Onde o ditado por voz entra

Se o objetivo é você e a sua equipe escreverem por voz no dia a dia, e não colocar transcrição dentro de um produto, um app pronto resolve sem código. O usarvoz faz a prévia no aparelho, a passagem final na nuvem, pontua sozinho em português e apaga o áudio depois da transcrição.

1. Instale a extensão do usarvoz no Chrome, o app no iPhone ou o app no Android, e entre com o seu email.
2. No computador, clique em qualquer campo de texto (GitHub, Jira, chatgpt.com) e aperte Alt+Shift+V.
3. Fale normalmente (fale como fala: o usarvoz pontua sozinho; se disser a pontuação, respeita-a) e aperte de novo. O texto entra onde estava o cursor.
4. Termos técnicos vão para o dicionário em /conta.html, com até 500 palavras.

O usarvoz não tem API pública e não transcreve arquivos, reuniões ou vídeos. Para isso, as APIs acima são o caminho.

Perguntas frequentes