Transcrição e tradução em tempo real explicadas: como funciona a fala para texto ao vivo, com quanto atraso, o que afeta a precisão e quanto custa.
A transcrição em tempo real transforma a fala em texto enquanto a pessoa ainda está falando. As palavras aparecem na tela instantes depois de ditas, se firmam em linhas finais e podem ser lidas por qualquer pessoa que acompanhe. Acrescente a tradução em tempo real e cada leitor pode acompanhar a mesma fala no próprio idioma, como texto ou lida em voz alta.
Este guia trata da transcrição e da tradução em tempo real pelos dois lados: o que o ouvinte vê, de onde o áudio pode vir, o que decide a precisão, o que os desenvolvedores recebem de uma API e quanto custa.
A transcrição em tempo real, também chamada de transcrição ao vivo ou fala para texto ao vivo, é o reconhecimento de fala que roda enquanto o áudio ainda está chegando. Um arquivo gravado pode ser transcrito com a gravação inteira em mãos. Uma transcrição ao vivo precisa se comprometer com as palavras tendo só os últimos segundos como base, e acompanhar quem fala pelo tempo que a pessoa falar.
As legendas ao vivo são a mesma coisa, mostradas como linhas curtas sobre um vídeo ou numa tela.
No VocalStack, uma transcrição ao vivo pode escutar em 100 idiomas. Ela detecta sozinha o idioma falado e acompanha o locutor se ele mudar, o que como funciona a detecção automática de idioma explica, junto com quando vale a pena informar o idioma antecipadamente.
O texto chega em dois estágios. As palavras mais novas aparecem primeiro como rascunho, que ainda pode mudar conforme chega mais áudio. Um instante depois, o rascunho se firma numa linha final que não muda mais.
O rascunho existe porque um reconhecedor decide uma palavra em parte pelo que vem depois dela. "Ice cream" e "I scream" soam parecido até a próxima palavra chegar. Mostrar o palpite cedo é o que faz uma transcrição parecer ao vivo.
O quanto o texto fica atrás de quem fala depende do estágio:
Dois atrasos ficam fora dessa cadeia. Quando a fonte é uma transmissão pública e não um microfone, a própria transmissão já fica atrás da sua ponta ao vivo: um ou três segundos numa rádio de internet comum e de vários segundos a meio minuto no HLS. E no Pay as you go, uma transcrição ao vivo pode levar até 15 segundos para começar. O detalhamento completo, incluindo os modos de latência Auto, Fast e Accuracy, está em latência na tradução ao vivo, explicada.
A tradução roda por cima da transcrição. Uma transcrição ao vivo pode ser traduzida para até 10 idiomas ao mesmo tempo, escolhidos entre 100. Cada ouvinte escolhe um deles no próprio dispositivo e pode trocar a qualquer momento; a transcrição até ali é mostrada de novo no novo idioma.
Todos os idiomas são traduzidos a partir da mesma transcrição, então todos os ouvintes recebem as mesmas palavras, e uma correção chega a todos eles.
Um ouvinte que prefere ouvir a ler pode ter cada linha traduzida lida em voz alta. Por padrão, cada locutor recebe uma voz padrão distinta, do mesmo gênero, para que um painel continue soando como várias pessoas. Com o consentimento de um locutor, o anfitrião pode clonar a voz dele a partir de cerca de 30 segundos dele falando sozinho, e a tradução passa então a ser lida com a própria voz dele.
A regra para as vozes é estreita de propósito. Uma voz só lê o que essa mesma pessoa disse, traduzido para um idioma que o ouvinte escolheu. Ela nunca lê um texto que alguém digita e nunca lê as palavras de um locutor com a voz de outro.
Como isso funciona para uma sala inteira, da configuração do anfitrião ao ouvinte que chega atrasado, está em um link, todos os idiomas.
Uma transcrição ao vivo precisa de uma fonte de áudio. Estas são as que o VocalStack aceita hoje:
As legendas dentro do player do próprio YouTube, pelo botão CC, estão em breve. Até lá, quem assiste a uma transmissão do YouTube acompanha as legendas no link da transmissão.
Se você precisa de transcrição ao vivo no Windows hoje, a extensão do Chrome ou do Edge, o plugin do OBS e o Painel num navegador funcionam lá.
Uma transmissão é a forma de outras pessoas acompanharem uma transcrição ao vivo. É um link e um QR code. Os ouvintes abrem num navegador, escolhem um idioma e leem junto. Não precisam de conta, não instalam nada e não custam nada: a conta não muda com o número de ouvintes ou de idiomas.
Uma transmissão é pública por padrão e pode ser protegida com senha. Se você renomear o link dela, o antigo continua funcionando, de modo que um QR code impresso num programa não fica obsoleto. Uma transmissão pode reunir várias transcrições ao vivo, então dois palcos podem compartilhar um link.
Um ouvinte que chega atrasado vê tudo o que foi dito antes de entrar e depois acompanha ao vivo. Depois, a visão Audience mostra quem ouviu, em que idioma e quando entrou.
Para eventos, o checklist de conferência multilíngue trata de áudio, palcos e orçamento, e transcrição ao vivo para igrejas, palestras e câmaras municipais trata da versão semanal da mesma configuração.
Tudo o que foi descrito acima pode ser feito por código. Para áudio ao vivo no seu próprio aplicativo, a API tem sessões em tempo real: seu servidor faz uma chamada a POST /v1/realtime/sessions com uma chave de API e recebe uma streamUrl de curta duração. Seu cliente abre um WebSocket para ela, envia áudio bruto conforme é capturado e lê a transcrição de volta como frames JSON.
Os frames seguem os mesmos dois estágios que o leitor vê. Um transcript.draft substitui a ponta ao vivo, um transcript.committed acrescenta uma linha final e, com a tradução ligada, frases inteiras chegam com as traduções anexadas. Idiomas de destino, rótulos de locutor e modo de latência podem ser alterados no meio da sessão com session.update.
Uma sessão em tempo real não armazena nada. Quando você quer as palavras guardadas, corrigidas e compartilhadas com um público, publique o áudio numa transcrição ao vivo e numa transmissão. SDKs oficiais para TypeScript, Python e PHP cobrem as duas coisas, e um servidor MCP permite que um assistente de IA use a mesma conta.
O tutorial de WebSocket constrói passo a passo uma tela de legendas funcional, e a referência da API tem todos os campos. O uso da API é cobrado pela mesma tarifa do Painel.
A precisão é decidida em grande parte antes de qualquer reconhecedor rodar, pelo áudio que ele recebe. Quatro coisas fazem a maior diferença.
O microfone. Um microfone perto de quem fala, ou um sinal da mesa de som do local, leva a voz com pouco da sala. Um celular sobre uma mesa ouve o locutor mais eco, cadeiras e tosses. É o maior fator isolado, e por que um celular não basta para uma sala explica por quê.
Ruído e sobreposição. O ruído de fundo causa palavras perdidas e inventadas, e duas pessoas falando ao mesmo tempo confundem tanto as palavras quanto quem as disse. Erros de transcrição de áudio lista sete causas comuns, como cada uma se mostra e como corrigi-la.
Um Reference Script. Nomes e termos conhecidos são reconhecidos como estão. Os nomes de produto de uma empresa, uma sigla interna ou o sobrenome incomum de um convidado não podem ser conhecidos de antemão, então inclua um script ou slides antes de começar, e os nomes e termos neles serão escritos exatamente como você os grafou.
Rótulos de locutor. Os rótulos podem ser Off, On ou When Needed, que os liga quando um segundo locutor é ouvido. Diarização de locutores vs. reconhecimento de fala explica como as duas respostas, o que foi dito e quem disse, são separadas e se corrigem separadamente.
O modo de latência também importa: o Fast entrega o texto mais cedo, mas revisa mais dele, e o Accuracy espera um pouco mais.
Um único número de precisão diz menos do que parece. A taxa de erro de palavras conta um nome errado do mesmo jeito que um "the" omitido, e é por isso que o que a taxa de erro de palavras mede, e o que ela deixa passar defende avaliar um sistema pelos erros que ele deixa você detectar e corrigir.
Nenhuma transcrição ao vivo é perfeita, então a tela do anfitrião tem uma aba Fix. Ela pode marcar as palavras de que o reconhecedor não tinha certeza, e qualquer linha pode ser aberta e corrigida. Uma segunda pessoa na mesa pode ir revisando-as enquanto quem fala continua.
Quando o anfitrião reescreve uma palavra ou uma linha, mesmo uma que ainda está sendo falada, todos os ouvintes veem a correção, em todos os idiomas. Uma linha ouvida com pouca confiança fica oculta para os ouvintes como "Audio unclear" em vez de aparecer errada; o anfitrião continua vendo.
A gravação é guardada com a transcrição, as correções e as traduções. Depois você pode:
Por quanto tempo o áudio e as transcrições são guardados depende do plano, e a página de preços traz a lista.
A maioria das ferramentas de transcrição ao vivo parece igual numa demonstração; as diferenças aparecem nas perguntas abaixo. A coluna da direita descreve o VocalStack como ele é hoje.
| Pergunta | Por que importa | VocalStack |
|---|---|---|
| Que idiomas ela consegue ouvir? | Uma ferramenta que não transcreve o idioma de quem fala não ajuda, por melhor que seja a tradução. | 100 idiomas, detectados automaticamente, com troca no meio da fala |
| Com quanto atraso o texto aparece em relação a quem fala? | Os leitores notam mais uma defasagem crescente do que uma palavra errada ocasional. | Texto original uma fração de segundo atrás, tradução um ou dois segundos depois; três modos de latência |
| Ela traduz, e quem escolhe o idioma? | Um idioma de legenda numa tela deixa todos os outros de fora. | Até 10 idiomas por transcrição, cada ouvinte escolhe o seu |
| Ela consegue falar a tradução? | Alguns ouvintes não conseguem ler junto, ou preferem não ler. | Vozes padrão como base; a voz clonada do próprio locutor, com o consentimento dele |
| Como o público a recebe? | Aplicativos e contas perdem gente na porta. | Um link e um QR code, sem conta, senha opcional |
| Dá para corrigir erros ao vivo? | Um nome mal ouvido repetido por uma hora causa dano de verdade. | Correções ao vivo enviadas a todos os ouvintes |
| De onde pode vir o áudio? | Sua configuração não deveria ter de mudar para se encaixar na ferramenta. | Microfone, extensões de navegador, aplicativo de desktop, OBS, RTMP, links de stream |
| Existe uma API? | Você pode querer legendas dentro do seu próprio produto. | API REST e WebSocket, SDKs, servidor MCP, mesma tarifa do Painel |
| Como é o preço? | Preços por ouvinte ou por assento crescem com o seu público. | Por segundo de áudio; ouvintes e idiomas gratuitos |
No VocalStack, você paga por segundo de áudio transcrito. Na data desta escrita, a transcrição ao vivo custa $0.60 por hora e os arquivos custam $0.20 por hora, em todos os planos, tanto no Painel quanto pela API. Tradução, vozes, resumos, transmissão e ouvintes nunca acrescentam nada à conta, então uma palestra de uma hora lida por 200 pessoas em cinco idiomas custa os mesmos $0.60 de uma lida por ninguém.
Os planos diferem em alguns pontos:
Se ninguém precisa acompanhar enquanto acontece, envie a gravação depois pela tarifa de arquivo. Os preços atuais, a retenção e os limites de cada plano estão na página de preços.
Uma conta nova do VocalStack vem com $5 de crédito de cadastro e não pede cartão. A $0.60 por hora, isso dá cerca de oito horas de transcrição ao vivo, com tradução e transmissão incluídas. Depois disso, você paga por segundo. Os ouvintes são sempre gratuitos.
Sim. Uma transcrição ao vivo pode ser traduzida para até 10 idiomas ao mesmo tempo, enquanto a pessoa fala. A tradução aparece um ou dois segundos depois do texto original, e cada ouvinte escolhe o próprio idioma.
Depende principalmente do áudio. Um microfone próximo ou um sinal da mesa, pouco ruído de fundo, uma pessoa falando de cada vez e um Reference Script com os nomes dão os melhores resultados. As correções ao vivo deixam o anfitrião consertar o que ainda estiver errado enquanto a palestra continua.
O texto no idioma original fica uma fração de segundo atrás de quem fala, e as traduções vêm um ou dois segundos depois. Uma transmissão pública acrescenta o seu próprio atraso antes de o áudio chegar ao VocalStack.
Sim, pela extensão do Chrome ou do Edge, pelo plugin do OBS Studio ou pelo Painel num navegador. O aplicativo de desktop existe hoje para macOS, com o Windows chegando em breve.
Não. Os ouvintes abrem o link da transmissão ou escaneiam o QR code num navegador, escolhem um idioma e leem. Não há nada para instalar.
Abra o Painel, inicie uma transcrição ao vivo a partir do microfone e abra o link da transmissão no celular. O crédito de cadastro cobre as suas primeiras horas, e você pode ver por si mesmo os rascunhos se firmando e a tradução acompanhando.