Início → Blog → Como transcrever uma entrevista sem digitá-la à mão

Como transcrever uma entrevista sem digitá-la à mão

Uma hora de entrevista leva de quatro a seis horas para ser digitada à mão. A transcrição automática reduz isso a minutos de máquina mais vinte minutos de conferência — mas só se a gravação e a conferência forem feitas direito, e é aí que a maior parte da qualidade se decide.

Quase toda a precisão se decide antes de apertar gravar

Nenhum modelo recupera informação que nunca foi captada. Três coisas importam mais que qualquer parâmetro que você venha a ajustar depois:

• Ponha o microfone perto das bocas. Um celular na mesa entre duas pessoas num café grava principalmente o café. O mesmo celular na altura do peito grava a entrevista.
• Elimine o ruído que está sob o seu controle. Ar-condicionado, janela aberta, música de fundo — cada um custa precisão em todas as frases.
• Grave duas faixas, se puder. Dois celulares, ou uma chamada gravada por canal, entregam a separação de vozes de graça depois. É a decisão de maior valor em todo o processo.

Gravar num notebook com um microfone externo barato ganha de longe de um celular no bolso, e não custa nada além de organização.

A transcrição em si

Uma requisição. Peça segmentos com tempos — numa entrevista, são eles que tornam as citações verificáveis:

from openai import OpenAI

client = OpenAI(base_url="https://voicesscribe.com/v1", api_key="sua chave")

with open("entrevista.mp3", "rb") as f:
    r = client.audio.transcriptions.create(
        model="whisper-1", file=f,
        response_format="verbose_json",
        language="pt",
        prompt="Entrevista com a Dra. Elena Marchetti, epidemiologista, sobre vigilância em águas residuais.",
    )

for s in r.segments:
    m, seg = divmod(int(s.start), 60)
    print(f"[{m:02d}:{seg:02d}] {s.text.strip()}")

O prompt é onde entram o nome do entrevistado, a área dele e os termos especializados. Entrevistas são densas em nomes próprios, e nomes próprios são exatamente onde o reconhecimento escorrega — uma linha de dica resolve a maioria.

Duas vozes em um arquivo

Uma gravação única e misturada não volta identificada por locutor. É uma limitação real, e tem contornos práticos:

• Faixas separadas. Transcreva cada faixa por si e você tem a separação perfeita, com tempos que permitem intercalar.
• Canais separados. Se o gravador colocou cada pessoa em um canal, divida o arquivo antes: ffmpeg -i in.wav -map_channel 0.0.0 a.wav -map_channel 0.0.1 b.wav
• Marque depois. Numa entrevista de duas pessoas os turnos se alternam de forma previsível e quem pergunta é o entrevistador. Ler uma vez e acrescentar os nomes leva poucos minutos para uma hora de texto.

Para a maioria das entrevistas a segunda e a terceira opções bastam. Não monte um pipeline de separação de locutores antes de saber que precisa de um.

Conferindo o resultado

A transcrição automática é precisa na fala comum e menos confiável exatamente onde mais importa numa entrevista: nomes, números, organizações e termos técnicos. Uma passada de vinte minutos focada nessas quatro categorias pega quase tudo.

Os tempos tornam isso prático — para qualquer frase duvidosa, salte para aquele segundo da gravação e ouça. É também assim que se evita a pior falha de uma entrevista publicada: uma citação que soa bem e nunca foi dita.

# localiza os trechos que valem ouvir você mesmo
for s in r.segments:
    if any(c.isdigit() for c in s.text) or any(p[:1].isupper() for p in s.text.split()[1:]):
        print(f"{int(s.start)//60:02d}:{int(s.start)%60:02d}  {s.text.strip()}")

Da transcrição ao que você realmente queria

A transcrição é matéria-prima. O que costuma ser usado é uma de três coisas:

• Citações com marcação de tempo — para a reportagem, conferíveis contra a gravação.
• Temas em várias entrevistas — para pesquisa, quando as mesmas perguntas foram feitas dez vezes.
• Um resumo para quem não estava lá — o time quer as conclusões, não a transcrição.

As três podem ser rascunhadas por um modelo de linguagem a partir do texto, com uma regra que mantém tudo honesto: peça explicitamente citações na íntegra e nada que não esteja na transcrição. Depois confira as citações pelos tempos.

Consentimento e armazenamento

Duas coisas para resolver antes de o gravador começar, não depois:

• Avise a pessoa de que está gravando e de que o áudio será transcrito por máquina. Em muitas jurisdições a primeira parte é exigência legal; a segunda é simplesmente justa.
• Saiba quanto tempo o áudio vive. Aqui, gravações e transcrições são apagadas automaticamente depois de 24 horas — tempo suficiente para baixar o resultado, e curto o bastante para não existir um acervo passível de vazamento.

Em pesquisa com comitê de ética, esse prazo de retenção costuma ser exatamente o detalhe sobre o qual perguntam.

Perguntas frequentes

Leitura relacionada

• Como transcrever gravações de reuniões e ter atas utilizáveis — Transforme gravações do Zoom, Teams e Meet em texto pesquisável e atas estruturadas: onde está o arquivo, como transcrevê-lo e como extrair decisões e tarefas.
• Quem disse o quê: separando locutores em uma transcrição — Por que uma gravação única e misturada não volta identificada por locutor, e quatro formas práticas de obter a separação mesmo assim — da gravação multipista aos canais.
• Como melhorar a precisão da transcrição: oito ajustes práticos — Oito mudanças que realmente movem a qualidade da transcrição: preparo do áudio, idioma explícito, o parâmetro prompt, corte em pausas, formatos e como medir o erro.