Programas de reconhecimento de fala devolvem o rascunho do áudio em minutos, mas nomes, números e trechos com duas pessoas falando ao mesmo tempo continuam dependendo de quem ouve o arquivo inteiro.

Quem sai de uma audiência com quase três horas de gravação e uma semana para entregar os memoriais conhece o problema. O que interessa está em dois ou três minutos daquele arquivo, no momento em que a testemunha muda a versão sobre a data da entrega ou no instante em que a parte contrária confirma um valor. Ouvir tudo de novo, com o dedo no botão de voltar, custa uma tarde de trabalho. Foi esse trabalho que a transcrição automática passou a encurtar.

A tecnologia por trás disso é o reconhecimento automático de fala. O programa recebe o áudio ou o vídeo, quebra o som em trechos pequenos e devolve um texto corrido, quase sempre com marcação de tempo. Com essa marcação, o profissional lê o texto, encontra o trecho que procura e volta ao áudio no segundo exato. Boa parte das ferramentas também tenta separar quem está falando e atribui blocos de texto a locutores diferentes.

Para localizar conteúdo, isso resolve. O rascunho automático transforma um arquivo que só se percorre em linha reta em um documento que se pesquisa por palavra. Quem trabalha com áudio jurídico em volume, como audiências gravadas, depoimentos, reuniões de acordo e declarações colhidas para instruir um pedido, ganha o tempo de escuta e passa a gastar esse tempo na análise.

O problema começa quando o rascunho é tratado como texto final.

Onde a máquina erra

Nome próprio é o ponto de falha mais comum. O sistema foi treinado para reconhecer palavras da língua, e sobrenome não é palavra da língua. Nome de parte, de testemunha, de perito, de empresa, de bairro, tudo isso sai grafado por aproximação sonora. E a aproximação muda de trecho para trecho, quer dizer, a mesma pessoa aparece com duas ou até três grafias ao longo da mesma audiência. Numa busca por palavra, isso significa que o nome procurado não é encontrado, mesmo estando lá.

Termo técnico dá o mesmo tipo de problema. Vocabulário jurídico, nomenclatura médica em ação de saúde, nome de medicamento, designação de peça em perícia de engenharia: quanto mais específica a palavra, maior a chance de ela ser trocada por outra parecida e mais comum. O texto continua fluente, e é justamente a fluência que engana. O erro não aparece como erro, aparece como uma frase normal com o sentido trocado, e o leitor passa por cima.

Tem ainda a sobreposição de falas, que em audiência acontece o tempo todo. Quando duas pessoas falam juntas, o sistema costuma escolher uma voz e descartar a outra, ou então mistura as duas numa frase que ninguém disse. A resposta que começa antes do fim da pergunta, o aparte do advogado da outra parte, são exatamente os pontos mais disputados de um depoimento. Áudio de sala com eco, microfone distante e conexão instável em audiência por videoconferência agravam tudo isso.

Os números merecem atenção à parte. Valor, data, prazo, quantidade e endereço são transcritos com a mesma taxa de erro do resto do texto, só que o erro sai mais caro. Uma consoante trocada num adjetivo passa despercebida. Um dígito trocado num valor muda o pedido.

Como conferir antes de usar

Entre quem usa essas ferramentas na rotina, a regra que se consolidou é simples: o texto automático serve como material de trabalho, e o documento só existe depois da conferência. Antes de citar qualquer trecho em peça, o caminho é abrir o áudio no ponto marcado e ouvir o pedaço que vai ser transcrito para dentro da petição. A conferência não precisa cobrir as três horas inteiras, mas precisa cobrir por completo tudo o que vai ser usado. Nomes se corrigem uma vez e a correção se aplica ao arquivo todo, sempre conferida contra a qualificação das partes nos autos. Números se ouvem duas vezes. Trecho com sobreposição de vozes se resolve no áudio, nunca no texto, porque ali o texto já nasceu errado.

Também é preciso lembrar quem responde pelo resultado. O texto que vai na peça é assinado pelo advogado, e a assinatura não é da ferramenta. O mesmo raciocínio vale para quem organiza acervo em serventia. A conferência final continua sendo trabalho humano porque é ela que a assinatura cobre.

Para onde vai o áudio

Outra questão é onde o áudio é processado. Numa gravação de audiência há dado pessoal e, muitas vezes, dado pessoal sensível, como informação de saúde, situação financeira ou conflito familiar. Tudo isso está alcançado pela Lei 13.709/2018. O sigilo profissional é dever do advogado, e a troca de suporte do arquivo não extingue esse dever. Na hora de enviar o arquivo, é bom saber para onde ele vai: os serviços de IA mais populares no país têm sede nos Estados Unidos, e dados guardados por empresa americana podem ser requisitados pelo governo daquele país sem que o titular seja avisado.

No mercado existem serviços de transcrição avulsos, ferramentas embutidas em plataformas de videoconferência e programas jurídicos que trazem a transcrição junto com o restante do fluxo de trabalho, como a Locus.IA, desenvolvida no interior do Paraná, que reúne a transcrição em ferramenta própria. Quem quiser entender melhor o assunto antes de escolher uma ferramenta pode ler como o áudio transcrito se relaciona com prova, ata notarial e proteção de dados, e só então decidir qual programa usar.