Mais de 50 anos atrás a tecnologia de transcrição de voz, que permite a um computador analisar fala, ou uma gravação em tempo real e produzir um equivalente preciso em texto, era algo de ficção científica, digno de um episódio de Star Trek. Hoje, ela não só é realidade, como recentes avanços estão mudando o dia-a-dia de empresas, estudantes e palestrantes.

Ao capturar grandes quantidades de amostras, redes neurais podem ser treinadas para reconhecer a fala com taxas de precisão que, nas melhores circunstâncias, se aproximam de 95%. Juntamente com custo cada vez menor do armazenamento de dados, agora é possível processar a linguagem humana de maneiras impensáveis alguns anos atrás.

Sam Liang, um engenheiro elétrico formado em Stanford e membro da equipe original que projetou o Google Maps, é o executivo-chefe da Otter.ai, uma startup no Vale do Silício. Segundo ele, a compactação de dados tornou possível armazenar conversas da vida inteira de uma pessoa em apenas dois terabytes – quantidade de dados que cabe em dispositivos de armazenamento que custam menos de US$ 50.

Os rápidos avanços no mercado de transcrição automatizada no ano passado mostram um impressionante potencial de curto prazo em uma crescente variedade de novas aplicações. Neste outono, por exemplo, na Universidade da Califórnia, em Los Angeles, os alunos do campus que são portadores de deficiência auditiva estão sendo equipados com o serviço da Otter.ai. O sistema foi projetado para substituir o processo atual de captura de notas durante as aulas, onde outros alunos fazem anotações durante as aulas e as compartilham.

Empresas como a Rev, que começou em 2010 usando trabalhadores temporários para oferecer transcrição por US$ 1 por minuto, oferecem um serviço automatizado de transcrição de fala por 10 centavos por minuto. Como resultado, a transcrição está entrando em uma variedade de novas áreas, incluindo legendas para canais do YouTube, vídeos de treinamento corporativo e empresas de pesquisa de mercado que precisam de transcrições de grupos focais.

O sistema Rev permite que o cliente escolha se deseja mais precisão ou retorno mais rápido e com menor custo, disse Jason Chicola, fundador e executivo-chefe da empresa. Cada vez mais, seus clientes preferem corrigir textos gerados por máquina em vez de transcreverem do zero. Ele disse não acreditar que a transcrição automatizada possa dizimar sua força de trabalho. “Humanos e máquinas trabalharão juntos no futuro próximo”, disse ele.

No campo da medicina, a transcrição automática está sendo usada para alterar a maneira como os médicos tomam notas. Nos últimos anos os sistemas eletrônicos de registro em saúde tornaram-se parte de uma visita de rotina ao consultório, e os médicos foram criticados por olhar para suas telas e digitar, em vez de manter contato visual com os pacientes. Agora, várias startups de saúde estão oferecendo serviços de transcrição que capturam texto e potencialmente vídeo na sala de exames e usam um humano para editar o texto automatizado e produzir um conjunto “estruturado” de anotações da visita do paciente.

Este ano, o custo da transcrição automática diminuiu à medida que empresas iniciantes rivais competem por um mercado em rápido crescimento. Empresas como Otter.ai e Descript, uma empresa rival sediada em São Francisco, iniciada pelo fundador do Groupon, Andrew Mason, estão oferecendo serviços básicos de transcrição e focando na cobrança de assinaturas que oferecem recursos aprimorados.

Um exemplo dessa nova funcionalidade é o anúncio feito pelo Descript em setembro de um serviço baseado na Web destinado a permitir que podcasters editem áudio e vídeo da mesma forma que editariam texto em um processador de texto. No passado, a edição de áudio e vídeo exigia habilidades e software especiais. Agora, a Descript espera abrir a edição de áudio e vídeo para um público mais geral, disse Mason.

Os cientistas da fala enfatizam que, embora os sistemas de transcrição automatizada sejam significativamente melhorados, eles ainda estão longe de serem perfeitos. Embora uma precisão de 95% possa ser obtida por transcrição automática, isso é possível apenas nas melhores circunstâncias. Um sotaque, um microfone mal posicionado ou ruído de fundo pode causar uma queda na precisão.

A esperança para o futuro é o surgimento de outra tecnologia de fala conhecida como processamento de linguagem natural, que tenta capturar o significado de palavras e frases que aumentarão a precisão do computador para os níveis humanos. Mas, por enquanto, o processamento de linguagem natural ainda permanece uma das fronteiras mais desafiadoras no campo da inteligência artificial.

Fonte: The New York Times