Uma entrevista de 40 minutos rende, com sorte, três minutos de sonora para o corte, e o demorado é achar esses minutos. Alguém passa a timeline inteira, outra pessoa anota num documento, e o diretor lembra de “uma fala ótima sobre a fábrica, lá pelo minuto vinte”.
A transcrição transforma isso em texto que dá para buscar e marcar, e depois o mesmo texto vira legenda.
Ter uma transcrição hoje leva minutos. Ter uma que dá para mostrar ao cliente dá um pouco mais de trabalho, quase sempre nos mesmos lugares.
Em resumo
- Use a transcrição automática no trabalho interno e faça uma revisão humana antes de o texto chegar ao cliente ou ao público.
- Quase todo erro nasce na captação: vozes sobrepostas, trilha embaixo da fala, nomes pouco comuns e microfone ruim.
- Transcreva do canal de áudio mais limpo e mantenha um glossário de nomes por cliente.
- Na revisão, confira nomes, números, grafia de marcas, jargão e as trocas de quem fala.
- Corrija a transcrição antes de gerar a legenda, porque o erro dela passa para todos os arquivos de legenda.
Três jeitos de transcrever um vídeo
| Jeito | Quanto tempo leva | Quando faz sentido |
|---|---|---|
| Digitar à mão | Várias vezes a duração do vídeo | Trecho curto, áudio que o software não entende, material que não pode sair da produtora |
| Automático | Minutos | Decupagem, achar uma fala, anotação interna, primeiro corte |
| Automático com revisão humana | Minutos, mais uma escuta atenta | Tudo o que o cliente ou o público vai ler: legenda, citação, transcrição para aprovação |
Digitar à mão ainda faz sentido num depoimento curto com sotaque forte e barulho de fundo, mais rápido de digitar do que de corrigir, ou quando o contrato não deixa o material sair da casa.
A transcrição automática sozinha resolve quando só a equipe vai ler, para decupar uma entrevista ou conferir o que foi dito no take quatro.
Quando o texto vai chegar ao cliente ou ao público, deixe o software digitar e gaste o seu tempo onde ele erra.
Onde a transcrição automática erra
Quase todo erro nasce na captação. O caso clássico é duas pessoas falando ao mesmo tempo. A transcrição escolhe uma voz, junta as duas numa frase que ninguém disse ou enfia o “aham” do entrevistador no meio da resposta.
Depois vem a trilha embaixo da fala, que disputa com a voz. As palavras mais baixas, no fim da frase, costumam sumir.
E tem o vocabulário. O software escreve a palavra mais comum que soa parecido com o que ouviu, então sobrenome, nome de produto, sigla e jargão do setor saem como algo plausível e errado.
Sotaque e palavra em inglês no meio da fala em português (budget, feedback, case) levam ao mesmo tipo de chute. Se você sabe o idioma do vídeo, informe. A detecção automática pode se confundir com uma abertura só de música ou com uma primeira frase em outra língua.
Microfone ruim piora tudo. Áudio da câmera do outro lado da sala ou vento numa externa custam precisão, e nenhum ajuste no software recupera isso depois.
Prepare o áudio antes de transcrever
Use o áudio mais limpo que você tiver. Se a entrevista foi gravada com lapela ou boom em canal separado, transcreva desse canal e esqueça o áudio guia da câmera. Se o corte já tem trilha e efeitos, exporte uma versão só com as vozes para a transcrição.
Na diária, peça para cada entrevistado dizer e soletrar o nome e o cargo no começo do primeiro take. São dez segundos que evitam um GC errado lá na frente.
Combine também com quem entrevista de esperar o fim de cada resposta, o que ajuda a transcrição tanto quanto a edição.
Mantenha um glossário por cliente, com o nome das pessoas, dos produtos e das siglas escrito do jeito que o cliente escreve. Ele serve em toda revisão e no próximo trabalho.
Quem fala e em que momento
A separação por falante vem da diarização, a parte do software que distingue as vozes. Ela não sabe quem é quem, então você recebe letras: falante A, falante B.
Confira as trocas mesmo assim. Interjeição curta cai na pessoa errada, e duas vozes parecidas podem virar uma só. Troque as letras pelos nomes antes de a transcrição sair da ilha de edição.
Para achar as coisas, basta um horário no começo de cada parágrafo. O horário por palavra permite clicar numa palavra e cair nela.
Em qualquer caso, o tempo da transcrição conta a partir do começo do arquivo. Se a sua sequência começa em 01:00:00:00, ou se você transcreveu um export que começa no meio de um clipe, some a diferença ao procurar o trecho na timeline.
O que conferir na revisão
Dê play no vídeo com a transcrição na frente e corrija o que não bate com o que você ouve. Deixe a gramática como está, a não ser que tenha decidido limpar o texto (veja abaixo).
Confira nesta ordem:
- Nomes de pessoas, empresas e lugares, conferidos com o glossário ou com o material do cliente.
- Números, porque número errado na legenda é o tipo de erro que o cliente não esquece. Confira preço, porcentagem e data com o material de origem.
- Marca e produto, que precisam da grafia exata do cliente, com as maiúsculas no lugar.
- Termo técnico e sigla, que é onde o software mais chuta.
- Quem está falando em cada troca.
Se a ferramenta mostra a confiança de cada palavra, comece pelas menos confiáveis.
Antes de revisar, decida entre transcrição literal e transcrição limpa. Para legenda e citação, a maioria das equipes tira o “é…”, o “né”, a frase recomeçada e a palavra repetida. Transcrição para o jurídico ou para pesquisa mantém tudo.
Escolha uma por projeto, para duas pessoas não revisarem a mesma entrevista de jeitos diferentes.
O que fazer com a transcrição depois
A legenda sai da transcrição, então corrija a transcrição primeiro. Um nome errado ali vira legenda errada no SRT, no VTT e na legenda gravada na imagem. Para tamanho de linha, velocidade de leitura e tempo na tela, veja as regras de legenda.
Para achar uma sonora, busque na transcrição a palavra de que você lembra, “fábrica” ou “fim de semana”, e vá direto nela.
Na decupagem, leia as entrevistas, marque as melhores falas e copie para um documento na ordem da história, cada uma com o arquivo e o horário:
ENT_Ana_01 · 17:42 · “A gente mudou a linha inteira num fim de semana.”
ENT_Carlos_02 · 04:18 · “A primeira segunda-feira foi um caos. Na quarta já estava rodando.”
ENT_Ana_01 · 31:05 · “Ninguém aqui tinha feito isso antes.”
Com esse roteiro de edição, o diretor ou o cliente aprova a estrutura antes de alguém abrir a timeline, e o editor monta o primeiro corte a partir dele.
Com o corte pronto, leia a transcrição dele ao lado do roteiro aprovado. Fala obrigatória, texto jurídico, promessa de produto e nomes têm que estar lá do jeito aprovado.
Se os seus roteiros separam o que aparece na tela do que é falado, como no nosso modelo de roteiro em duas colunas, essa conferência é rápida.
Como isso funciona no RecReview
No RecReview, uma versão com áudio que passa pelo AI Review ganha a transcrição ao mesmo tempo, com o idioma detectado pela fala e sem gastar minutos de IA além dos da revisão.
Para uma versão enviada sem AI Review, qualquer pessoa da equipe abre a aba Transcrição na página de revisão, escolhe português, inglês, espanhol ou detecção automática e gera. Aí entram os minutos de IA do workspace, pela duração do vídeo.
A transcrição vem em parágrafos, cada um com o horário e, quando dá para separar as vozes, um rótulo como Speaker A. Clique numa palavra e o player vai até ela. Com o vídeo tocando, a palavra atual fica em destaque e a lista acompanha.
As palavras de que a transcrição teve menos certeza aparecem mais apagadas, as mais incertas em itálico, e passar o mouse na palavra mostra o horário e a confiança, um bom ponto de partida para a revisão.
A busca dentro da aba filtra a transcrição pela palavra, e a busca geral do app acha vídeos pelo que alguém falou neles.
Se a tarefa tem roteiro e o cliente ainda não viu o vídeo, o AI Review compara a fala com o roteiro e aponta trechos que ficaram de fora, entraram a mais ou foram trocados, cada um no seu horário.
Quem subiu a versão põe a transcrição em modo de edição e corrige qualquer palavra com um clique duplo. As legendas são refeitas a partir do texto corrigido, a não ser que alguém já tenha editado as legendas à mão no player, que nesse caso ficam como estão.
A transcrição exporta em SRT ou VTT, com as mesmas legendas do player, em TXT com o horário no começo de cada parágrafo e em JSON com o tempo e a confiança de cada palavra.
