Voz para texto: como funciona e quanto custa

Fale uma frase no celular e veja as palavras aparecerem. Depois observe a terceira palavra mudar depois que você termina a quinta. Aquela oscilação é o campo inteiro em miniatura: uma máquina fazendo uma aposta e revisando a aposta assim que chegam mais evidências.

Voz para texto ficou tão comum que quase ninguém se pergunta o que é. Ela legenda vídeos, abre sinistros de seguro, atende URAs, escreve notas clínicas e registra silenciosamente tudo o que o microfone do seu carro escuta. Ela também erra de maneiras que parecem aleatórias até você entender o maquinário, momento em que passam a parecer quase inevitáveis.

Então: o que o termo cobre, o que o sistema está fazendo entre a sua boca e a tela, o quanto ele acerta de verdade, quem depende dele, quanto custa e o que mudou recentemente. Sem rankings de produto aqui.

O termo cobre mais terreno do que a maioria imagina

Voz para texto é a conversão de áudio falado em palavras escritas. O nome formal é reconhecimento automático de fala, geralmente abreviado como ASR, e as duas expressões apontam exatamente para a mesma coisa. Engenheiros e fornecedores dizem ASR; todo mundo diz voz para texto, ou ditado por voz, conforme o hábito.

Onde as pessoas erram é ao tratar isso como uma categoria de produto. Não é. É uma capacidade que fica embaixo de muitos produtos, em dois modos que não se parecem em nada.

O modo ao vivo roda enquanto o som ainda está chegando. As palavras pousam na tela uma fração de segundo atrás de quem fala: um aplicativo de ditado, um sistema de legendagem, o botão de microfone de uma barra de busca. Nada é armazenado antes; o áudio é consumido conforme vem.

O modo arquivo roda sobre uma gravação que já existe. Tudo está disponível de uma vez, então o sistema pode ler para a frente e para trás antes de se comprometer com qualquer palavra. Esse é o modo por trás de transformar uma gravação em um documento depois de uma reunião ou entrevista — um trabalho vizinho, com fluxo próprio.

Quatro tecnologias que vivem sendo confundidas entre si

Os resultados de busca sobre voz para texto estão poluídos por três tecnologias vizinhas que fazem trabalhos genuinamente diferentes. Vale separar uma vez, direito.

A confusão mais chata é a do reconhecimento de locutor. De forma frouxa, significa o mesmo que reconhecimento de fala. Em sentido estrito, significa a outra metade do problema: não o que foi dito, mas quem disse. Um sistema de impressão vocal compara as características físicas da voz de alguém com uma amostra cadastrada para confirmar identidade — o que um banco faz quando diz "minha voz é minha senha". Identificação de locutor e diarização descendem da mesma família. Elas dizem a pessoa, não as palavras, e rodam de forma independente, e é por isso que uma transcrição pode apontar o locutor errado escrevendo todas as palavras corretamente.

Texto para voz é a imagem espelhada limpa: uma voz fabricada a partir da escrita, em vez de escrita fabricada a partir de uma voz. A compreensão fica em cima do reconhecimento: depois que você tem as palavras, algo ainda precisa decidir que "empurra isso para quinta que vem" é um pedido de agenda. Uma caixa de som inteligente encadeia três das quatro em menos de um segundo, e é por isso que as pessoas as vivenciam como uma coisa só.

O que a máquina está fazendo enquanto você fala

O modelo intuitivo — o computador casa cada som com uma palavra do dicionário — está errado, e tudo de útil que você pode fazer para melhorar seus resultados decorre do porquê.

Um reconhecedor não identifica palavras uma a uma. Ele procura a sequência de palavras que mais provavelmente produziu o som recebido, pontuando candidatos em duas coisas ao mesmo tempo: o quanto cada um se encaixa na evidência acústica e o quanto é plausível como pedaço de língua. Os sistemas clássicos mantinham isso em componentes separados — um modelo acústico mapeando som para fonemas, um léxico de pronúncia e um modelo de linguagem pontuando sequências de palavras. Os sistemas modernos ponta a ponta treinam a cadeia inteira como uma única rede que emite tokens de texto diretamente, mas a aritmética subjacente é o mesmo ato de equilíbrio.

Esse equilíbrio explica a piada mais famosa da área. Em inglês, "recognize speech" e "wreck a nice beach" são quase idênticas como som. Só o lado linguístico desempata, e ele desempata perguntando qual frase as pessoas de fato dizem. Leve a lógica adiante e você obtém o comportamento que todo mundo nota: o sistema conserta uma palavra que você resmungou porque as vizinhas tornaram a resposta óbvia.

Isso explica também a falha que mais irrita. Diga o sobrenome de um colega ou o nome de um produto interno que o modelo nunca encontrou no treinamento e ele não consegue produzi-lo — não é "não quer", é não consegue. Ele substitui pelo mais próximo que conhece e segue em frente. A correção é o viés contextual, vendido como dicionário personalizado, vocabulário personalizado ou reforço de palavras: você entrega ao sistema uma lista curta de termos e ele repondera a busca a favor delas. É o ajuste de maior alavancagem na maioria das ferramentas e o último que as pessoas encontram.

Dez minutos de configuração que mudam sua opinião sobre uma ferramenta: antes de julgar qualquer aplicativo de voz para texto, carregue o vocabulário personalizado dele com vinte termos — sobrenomes de colegas, nomes de produtos, as siglas do seu setor, seus dois maiores clientes. A maioria avalia no primeiro dia, vê um nome ser destruído três vezes e conclui que a tecnologia é ruim. Não é. Ela só ainda não conheceu o seu mundo.

Ao vivo e depois do fato são problemas diferentes

É aqui que os dois modos se separam, e onde começa a maior parte da confusão sobre qualidade. Um sistema trabalhando sobre um arquivo pronto consegue olhar para a frente. Ele vê o fim da frase antes de decidir o começo, o que é uma vantagem substancial: a mesma ambiguidade acústica fica bem mais fácil de resolver com três segundos de contexto futuro. Por isso processar uma gravação em geral supera capturar ao vivo o mesmo áudio. Não é um produto de qualidade diferente; é um problema de dificuldade diferente.

Um sistema ao vivo não tem futuro para consultar. Ele precisa emitir algo agora, então publica uma hipótese parcial — seu melhor palpite do momento — e revisa conforme chega mais áudio. Essas revisões são as palavras se reescrevendo na tela. Não é falha; é a expressão honesta de um sistema atualizando a aposta.

Dois mecanismos moldam a sensação de usar voz para texto ao vivo:

• Detecção de fim de fala. Algo precisa decidir se você parou de falar ou apenas fez uma pausa. Limiar curto, e o sistema corta você no meio do raciocínio; limiar longo, e cada frase termina com uma espera constrangedora. Nenhum ajuste agrada a todo mundo, e é por isso que algumas ferramentas parecem impacientes e outras lentas.
• Decodificação em duas passagens. A arquitetura comum roda um modelo rápido que só vê o que já aconteceu para produzir os parciais piscantes, e depois um mais lento, capaz de olhar adiante, para fechar a linha. Baixa latência onde você precisa de resposta, melhor precisão onde o texto fica de vez.

Latência aqui também não é um número só. Existe o atraso até a primeira palavra aparecer, a taxa com que os parciais se atualizam e a espera até uma linha ser fechada. O tamanho do bloco mexe principalmente no primeiro; a detecção de fim de fala mexe principalmente no último. Um fornecedor que cita um número único está citando aquele que o favorece.

Precisão é uma propriedade do seu áudio, não do produto

Todo mundo quer um número. A versão honesta precisa de duas frases.

Pesquisadores pontuam esses sistemas com a taxa de erro de palavra: some cada palavra trocada, omitida ou inventada e divida pelo número de palavras realmente ditas. Quanto menor, melhor, e é o inverso da porcentagem de precisão dos materiais de marketing — 3% de taxa de erro de palavra é 97% de precisão.

Em fala limpa e bem gravada de uma única pessoa, os motores líderes em 2026 ficam mais ou menos na faixa de 2% a 5%. O Scribe v2 da ElevenLabs foi medido em torno de 2,3% em março de 2026; o Nova-3 da Deepgram e o Canary Qwen da NVIDIA aterrissaram ambos perto de 5% em rankings independentes em inglês. Números excelentes e, para a maioria dos leitores, irrelevantes.

Benchmarks são construídos com gravações comportadas: frases lidas, microfones decentes, uma voz por vez. O seu áudio é uma videochamada com alguém no alto-falante do notebook, um cachorro e duas pessoas terminando as frases uma da outra. Em material real e misturado, os números de precisão publicados se espalham de cerca de 85% a 98%, e taxas de erro em áudio bagunçado de reunião com vários locutores costumam ser reportadas na faixa de 15% a 25%. Os mesmos motores. Outro mundo.

O que move o seu número, mais ou menos em ordem de estrago: quantas pessoas falam ao mesmo tempo, a que distância o microfone está da boca, o quanto a sala reverbera, o quanto o sotaque de quem fala está representado nos dados de treinamento e o quanto o vocabulário é especializado. Lacunas de sotaque são reais e valem para o setor inteiro — todo motor vendido hoje, o nosso incluído, perde terreno quando os sotaques são fortes e as pessoas falam por cima umas das outras. Qualquer fornecedor que insinue o contrário está vendendo.

Há um problema mais sutil também: o sistema não faz ideia de quando está errado. Existem escores de confiança, mas um modelo ponta a ponta fluente consegue produzir uma frase perfeitamente gramatical que ninguém pronunciou e reportá-la com a mesma naturalidade de uma correta. Um transcritor humano escreve "[inaudível]". Um modelo chuta.

A melhoria de precisão mais barata disponível: um microfone USB de $60 ou um headset com fio vai melhorar seus resultados mais do que trocar de fornecedor. Captar perto da boca corta o eco da sala, levanta a voz acima do ruído de fundo e preserva as frequências altas que separam consoantes parecidas. Todo modelo citado aqui briga com a mesma física, e a física já está decidida antes de o software ter a vez.

Os trabalhos que a voz para texto faz calada o dia inteiro

Produtividade pessoal é a ponta visível. O volume está em outro lugar.

Centrais de atendimento são provavelmente a maior implantação comercial. O reconhecimento ao vivo alimenta painéis de assistência ao agente que trazem a resposta certa no meio da frase, e transforma o controle de qualidade de ouvir uma amostra de 2% em avaliar todas as chamadas. Roteamento, verificações de conformidade e resumos pós-chamada ficam todos apoiados na mesma transcrição.

Acessibilidade e legendagem é onde a tecnologia deixou de ser opcional. Nos EUA, a regra do Título II do Departamento de Justiça define o WCAG 2.1 nível AA como padrão para conteúdo digital de governos estaduais e locais, com prazos de conformidade em abril de 2027 e abril de 2028 conforme o tamanho da população, e organizações privadas largamente constroem contra a mesma régua. Separadamente, a partir de 17 de agosto de 2026 a FCC exige que fabricantes de dispositivos abrangidos e distribuidores de vídeo multicanal deixem as configurações de exibição de legendas ocultas facilmente acessíveis. Vale dizer com todas as letras: legendas automáticas sozinhas geralmente não alcançam o patamar de precisão que essas regras pressupõem. Elas pontuam mal, destroem nomes e pulam sons não verbais de que um espectador surdo precisa. O padrão que cumpre a norma é rascunho de máquina mais correção humana.

Documentação clínica segue sendo um mercado enorme, embora qualquer coisa que toque informação de saúde protegida exija um fornecedor disposto a assinar os acordos adequados, e não um aplicativo de uso geral. Tribunais usam como primeira passada sob revisão humana certificada. Mídia e educação usam para tornar acervos pesquisáveis — a recompensa real de legendar uma série de aulas de 40 horas é achar os quatro minutos sobre autovalores.

E reuniões, que é como a maioria dos trabalhadores de escritório encontra a tecnologia hoje: um sistema captura a chamada e produz um registro com marcações de tempo e rótulos de locutor, cada vez mais fazendo algo com ele depois em vez de entregar uma parede de texto.

Nativo do sistema, embutido no app, dedicado ou uma API

Todo produto de voz para texto cai em um de quatro baldes, e o balde prevê a sua experiência melhor do que a marca.

A divisão interessante dentro do terceiro balde é o que acontece depois que as palavras existem. Algumas ferramentas param no texto. Outras tratam a transcrição como matéria-prima — o Laxis, por exemplo, grava e transcreve chamadas de Zoom, Google Meet e Microsoft Teams em mais de 100 idiomas, depois extrai itens de ação e empurra resultados para o HubSpot ou o Salesforce, o que é um trabalho diferente de digitar mais rápido. Nenhuma das abordagens vence no abstrato; elas respondem perguntas diferentes. Se você leu até aqui principalmente para descobrir qual produto comprar, nossa comparação prática das melhores ferramentas de ditado cita nomes, coisa que esta página deliberadamente não faz.

Três formatos de preço e uma armadilha

O custo depende inteiramente de em qual balde você está, e os formatos não são comparáveis.

Grátis significa grátis de verdade no nível do sistema operacional. Toda plataforma grande inclui ditado, e para usos curtos a opção nativa dá conta e cada vez mais roda no aparelho em vez de num servidor.

Assinaturas por licença são o padrão das ferramentas dedicadas, concentradas entre cerca de $10 e $20 por usuário por mês, normalmente com uma cota gratuita para começar. Nossos próprios preços ficam nessa faixa: um plano gratuito com 300 minutos de transcrição por mês, depois $15,99 por usuário no Premium e $29,99 no Business. A conta que importa não é a tarifa de vitrine, é o seu volume — minutos inclusos ganham assim que você processa várias horas por semana, e a medição ganha se você usa duas vezes por mês.

Preço medido de API é onde mora a economia unitária de verdade, e os preços de tabela de 2026 são baixos o bastante para surpreender. A AssemblyAI publica transcrição assíncrona a partir de cerca de $0,15 por hora de áudio no Universal-2 e $0,21 no Universal-3.5 Pro, com streaming em tempo real a $0,45. O Nova-3 da Deepgram é listado em torno de $0,0043 por minuto em lote e $0,0077 em streaming — mais ou menos $0,26 e $0,46 a hora. O GPT-4o Transcribe da OpenAI fica por volta de $6 por mil minutos, e o nível padrão do Google Cloud em torno de $16 por mil minutos antes de descontos por volume.

Dois padrões valem para todos eles. Streaming custa consideravelmente mais que o processamento em lote do mesmo áudio — comumente 40% a 50% mais — porque você está pagando por uma conexão mantida aberta e por latência mais apertada. E a tarifa de vitrine é um piso, não um preço: ligue diarização, resumo, anonimização, sentimento e vocabulário personalizado e o custo efetivo pode aterrissar de duas a quatro vezes acima do que a página de preços sugere. Essa é a armadilha.

Coloque voz para texto para trabalhar nas suas chamadas

O Laxis grava, transcreve e resume reuniões de Zoom, Google Meet e Microsoft Teams em mais de 100 idiomas, extrai itens de ação e sincroniza com HubSpot e Salesforce. O plano gratuito inclui 300 minutos de transcrição por mês.

Teste o Laxis grátis

O que realmente mudou e o que está chegando

Três viradas explicam por que isso deixou de ser frustrante e continuou melhorando.

A primeira é arquitetural. Pipelines montados à mão, com componentes acústico, de pronúncia e de linguagem separados, deram lugar a redes únicas ajustadas sobre arquivos imensos de fala gravada pareada com sua forma escrita. É por isso que a cobertura de sotaques, idiomas e fala informal melhorou tão bruscamente — e por isso o modo de falhar mudou. Sistemas antigos produziam bobagem evidente; os novos produzem erros fluentes e confiantes.

A segunda é que os modelos ficaram pequenos o suficiente para se mover. Reconhecimento que antes exigia um data center hoje roda num celular, e alguns recursos de conferência e legendagem processam localmente por padrão — um ganho real de privacidade e confiabilidade, já que não é preciso conexão e nenhum áudio viaja. Modelos em nuvem ainda mantêm vantagem em áudio difícil, vocabulário incomum e idiomas de cauda longa, que é a troca honesta por trás de ferramentas em nuvem como a nossa.

A terceira é a arquitetura de streaming. Encoders desenhados para consumir áudio quadro a quadro, guardando em cache o que já viram em vez de reprocessar, derrubaram a latência ao vivo o bastante para que falar com uma máquina deixasse de parecer uma conversa de walkie-talkie. O trabalho da NVIDIA com conformers cientes de cache em 2026 é um exemplo público.

O que vem a seguir é mais interessante que mais um ponto de precisão. Modelos que operam diretamente sobre o áudio — respondendo a uma pergunta falada sem nunca fixar uma transcrição intermediária — pulam a etapa que este artigo descreve, e já estão embarcando em produtos de assistente. A avaliação também está sob pressão: a taxa de erro de palavra trata um "o" perdido e um "não" perdido de forma idêntica, o que é claramente errado, e pesquisadores empurram na direção de medidas que pesem significado. Nosso relatório 2026 sobre o estado da categoria traz os números de adoção e de mercado por trás de tudo isso.

A conclusão

O problema que resta não é ouvir. Em áudio limpo a tecnologia está pronta — melhor que a maioria das pessoas, mais rápida que todas, por uma fração de centavo por minuto. As partes não resolvidas são as humanas: saber quem falou, saber o que importava, saber quando não entendeu.

Essa última é a fronteira de verdade. Um sistema capaz de dizer "não tenho certeza desta linha" valeria mais que um dois pontos mais preciso e calado sobre os próprios erros. Até lá, trate o texto automático como um rascunho forte de um colega rápido e confiante que nunca disse "desculpa, pode repetir?".

Perguntas Frequentes

O que é voz para texto?

Voz para texto é a tecnologia que converte áudio falado em palavras escritas, e seu nome formal é reconhecimento automático de fala. Ela cobre tanto o uso ao vivo, em que as palavras aparecem na tela enquanto você fala, quanto o uso posterior, em que um arquivo de áudio ou vídeo já armazenado é processado depois. Aplicativos de ditado, legendas ao vivo, assistentes telefônicos e ferramentas de reunião são todos produtos construídos em cima disso.

Como funciona o reconhecimento automático de fala?

Um sistema de reconhecimento automático de fala transforma o sinal do microfone em uma descrição numérica do som e então uma rede neural busca a sequência de palavras que mais provavelmente o produziu. Essa busca pesa a evidência acústica contra o quanto uma frase é plausível na língua, e é por isso que o contexto conserta sons que o microfone captou mal. Formatação e rótulos de locutor são acrescentados depois.

Qual é a precisão de voz para texto?

Em gravações limpas de uma única pessoa, os motores líderes registram por volta de 2 a 5 por cento de taxa de erro de palavra, ou seja, de 95 a 98 por cento das palavras corretas. Os números publicados sobre áudio real e variado se espalham muito mais, de cerca de 85 a 98 por cento, e áudio bagunçado de reunião com vários locutores costuma ser reportado na faixa de erro de 15 a 25 por cento. Seu microfone e sua sala importam mais que seu fornecedor.

Qual é a diferença entre reconhecimento de fala e reconhecimento de locutor?

Reconhecimento de fala descobre quais palavras foram ditas. Reconhecimento de locutor, no sentido estrito, descobre quem as disse comparando características vocais com uma impressão vocal cadastrada, e é por isso que bancos o usam para verificar quem liga. Os dois rodam como sistemas separados e respondem perguntas separadas, ainda que a escrita cotidiana muitas vezes use "reconhecimento de voz" de forma frouxa para qualquer um deles.

Voz para texto é grátis?

Sim, em pequena escala. Windows, macOS, iOS e Android incluem ditado sem custo, e navegadores e suítes de escritório trazem a própria digitação por voz. Ferramentas pagas cobram ou um preço mensal por licença, comumente em torno de 10 a 20 dólares, ou uma tarifa medida via API, onde os preços de tabela de 2026 vão de cerca de 0,15 a 1 dólar por hora de áudio.

Voz para texto funciona offline?

Parte dela funciona. Celulares e notebooks já saem de fábrica com modelos de reconhecimento comprimidos que rodam localmente, então o ditado básico e parte da legendagem ao vivo continuam funcionando sem conexão e sem que o áudio saia do aparelho. Modelos maiores em nuvem em geral continuam mais fortes em áudio difícil, vocabulário amplo e muitos idiomas, então a maioria das ferramentas corporativas, o Laxis incluído, processa na nuvem.

Qual é a diferença entre voz para texto e texto para voz?

Elas correm em direções opostas. Voz para texto escuta áudio e produz palavras escritas. Texto para voz lê palavras escritas e produz áudio sintético, que é o que move leitores de tela, narração de audiolivros e respostas de assistentes de voz. Um assistente de voz usa os dois: reconhecimento para ouvir o pedido, síntese para responder.