Transcrição com IA ou humana: o que comparar antes de escolher

A versão original deste artigo descreve um experimento: enviar uma gravação de 60 minutos a nove serviços, sendo três de IA, cinco de transcrição humana e um híbrido, que combina reconhecimento automático com revisão.

O relato informa um gasto total de US$ 4.237 e 47 horas de comparação, palavra por palavra. A lista de preços dos pedidos apresentada adiante, porém, não explica esse total. Também não há neste artigo os arquivos de referência, recibos ou uma metodologia reproduzível completa. Por isso, os resultados abaixo devem ser lidos como dados relatados no texto de origem, não como um novo teste verificado ou uma classificação atual dos fornecedores.

A pergunta continua relevante: em que situação cada abordagem funciona melhor? E quais erros realmente importam?

O áudio do relato está em inglês. O desempenho em outro idioma pode ser diferente. Nosso comparativo de reconhecimento de fala em alemão apresenta outro recorte, com taxa de erro e tamanho da amostra. Essa página de referência está disponível em inglês.

A decisão não se resume à porcentagem de acerto nem ao prazo de entrega. Ela depende do uso que será feito do texto e do esforço necessário para revisá-lo.

Como o teste foi descrito

Um podcast de estúdio com uma única pessoa dificilmente revelaria todas as diferenças entre transcrição automática e humana. O relato escolheu uma situação mais difícil: um painel de congresso médico.

Eram quatro médicos falando inglês com sotaques americano, britânico, indiano e nigeriano. A gravação tinha terminologia técnica, ruído da plateia e sobreposição de falas durante as perguntas.

O arquivo era um MP3 de 60 minutos, a 128 kbps.

Foram citados três serviços de IA: TranscribeNext, Otter.ai Plus e Rev AI. Os preços desses serviços dependem do plano e do ciclo de cobrança e não devem ser inferidos deste relato histórico.

Os custos de transcrição humana informados para o arquivo foram Rev Human, US$ 90; GoTranscript, US$ 72; TranscribeMe, US$ 99; Scribie, US$ 60; e um freelancer da Upwork, US$ 120.

O serviço híbrido citado foi Verbit, a US$ 180. Esses são valores do relato, não cotações atuais.

Resultados apresentados

O autor original descreve uma comparação manual, palavra por palavra, com categorização dos erros. A tabela reproduz os números informados para o mesmo arquivo de uma hora.

Os números do relato

O que uma porcentagem esconde

91,2% pode parecer suficiente até você considerar um texto de aproximadamente 10 mil palavras. Os 879 erros relatados equivalem a cerca de um a cada 11 palavras.

O artigo menciona a troca de “atrial fibrillation” por “aerial fibrillation”, além de 23 atribuições incorretas de falante. Mantemos os exemplos em inglês porque o erro depende do som e da grafia nesse idioma. Em português, o primeiro termo significa fibrilação atrial; o segundo não é a expressão médica correta.

Para o resultado do Rev Human, foram relatados 170 erros, principalmente vírgulas e hesitações, sem erros nos termos médicos críticos ou nos rótulos de falantes. Essa distinção importa mais que uma comparação bruta entre 91% e 98%.

Há ainda uma limitação metodológica: o texto mistura erros de palavra, pontuação e atribuição de falante. Sem uma definição única da métrica, esses percentuais não devem ser comparados diretamente com uma taxa de erro por palavra padronizada.

A variável que não pode faltar: o idioma

Todos os números da tabela são de uma gravação em inglês. Eles dizem pouco sobre o desempenho em português, tâmil ou qualquer outro idioma.

“Mais de 100 idiomas” não significa a mesma precisão em todos. O artigo original descreve uma divisão da página de idiomas em grupos de 15, 25, 30 e 30 idiomas, por disponibilidade de dados e desempenho. Essa organização não substitui um teste no seu idioma.

Idiomas com mais dados de treinamento podem ter resultados diferentes dos que têm menos recursos disponíveis. Mesmo dentro do mesmo idioma, sotaque, microfone e assunto alteram o desempenho.

Antes de aceitar qualquer porcentagem, pergunte em qual idioma e em quais condições ela foi medida. Depois, teste um arquivo seu.

Quando a IA faz mais sentido

Velocidade

A tabela informa oito minutos para o TranscribeNext. Outra passagem do relato menciona 11 minutos incluindo envio e download, sem esclarecer totalmente a diferença. Por isso, a conclusão segura é “minutos”, não um prazo exato garantido.

O freelancer mais rápido do relato entregou em cerca de 15 horas. Para um jornalista que entrevista às 14h e precisa entregar às 17h, um rascunho automático pode ser útil no mesmo dia, desde que as citações sejam conferidas com o áudio.

Custo

O texto original informa média de US$ 11,33 por hora de áudio para IA e US$ 88,20 para humanos, uma diferença de aproximadamente 7,8 vezes.

Usando essas médias em 100 horas, a conta seria US$ 1.133 contra US$ 8.820, antes da revisão. Não são preços atuais do TranscribeNext, que usa assinatura com limites por plano, nem uma previsão válida para todos os fornecedores.

Ao comparar custos, use seu volume real e inclua o tempo de correção. Uma assinatura mensal pode ter uma distribuição por arquivo muito diferente de um serviço cobrado por minuto.

Previsibilidade

O relato menciona resultados adicionais de 87% a 93% para IA e de 89% a 99,5% para humanos, sem detalhar a amostra. Isso sugere uma questão útil para o planejamento, mas não prova que uma abordagem seja sempre mais consistente.

Ferramentas automáticas podem facilitar a previsão de prazo para arquivos semelhantes. Serviços humanos também variam conforme a especialização, o controle de qualidade e a disponibilidade do profissional. Avalie essas condições, não apenas a categoria do serviço.

Quando a revisão humana faz diferença

Contexto e termos especializados

Um exemplo do relato é “We saw a significant increase in PD patients”. As saídas mencionadas incluem “pee-dee patients” e “PD patience”; apenas um dos serviços de IA teria mantido a sigla corretamente.

Os cinco transcritores humanos teriam registrado o trecho corretamente, e três acrescentaram “[PD = Parkinson's Disease]”. Essa expansão corresponde à doença de Parkinson, mas uma nota explicativa precisa ser identificada como intervenção editorial, não como fala original.

Outro trecho citado é “The patient was given two liters of NS”. O relato apresenta erros como “two leaders of N S” e “two liters of N's”. Os revisores humanos teriam reconhecido a referência a solução salina e, em alguns casos, explicado a sigla.

A vantagem de uma revisão qualificada está em ouvir novamente, pesquisar e avaliar o contexto. Isso não torna toda interpretação humana automaticamente correta: termos e siglas ambíguos também devem ser sinalizados.

Sotaques

O médico nigeriano do painel teria falado a cerca de 180 palavras por minuto. O artigo relata precisão de 79% para TranscribeNext e 72% para Otter nesses trechos, contra até 98% no melhor resultado humano.

A frase usada como exemplo foi “The prophylactic antibiotic regimen reduced postoperative infections”. As saídas incorretas citadas incluem “The profile active antibiotic region reduced post operative infections” e “The profile at it can to buy out a regimen reduce postoperative infections”.

Não há áudio de referência anexado aqui para verificar essas linhas. A lição prática é testar os sotaques que aparecem nas suas gravações e reservar revisão para trechos difíceis, em vez de extrapolar a média de uma demonstração de estúdio.

Falas sobrepostas

Durante perguntas e respostas, duas pessoas podem falar juntas. O relato apresenta uma saída que mistura palavras de ambas: “Yes I think that the answer to your absolutely question is we need to consider that more research”.

Uma revisão cuidadosa pode marcar `[falas sobrepostas]`, separar o que é audível e indicar o tempo. É preferível admitir o que não pode ser distinguido a produzir uma frase aparentemente fluente que ninguém disse.

Formatação

O texto original contrasta um rascunho sem pontuação:

speaker one okay so the main thing we need to discuss is um you know the the protocol changes and uh speaker two yeah absolutely i mean uh we saw some really interesting results...

com uma versão revisada:

Dr. Sarah Chen: The main thing we need to discuss is the protocol changes.

Dr. James Wilson: Absolutely. We saw some really interesting results in the Phase II trial, especially with the dosing schedule.

Os exemplos ficam em inglês para preservar o material comparado. Remover hesitações, identificar nomes e organizar parágrafos pode melhorar a leitura, mas não autoriza acrescentar detalhes ausentes do áudio. A versão editada precisa continuar fiel à gravação.

Ferramentas atuais também oferecem pontuação e separação de falantes. A comparação relevante é quanto trabalho de revisão o seu arquivo ainda exige, não a ideia de que toda IA gera texto sem formatação.

Como interpretar “até 99% de precisão”

“Até” descreve uma condição possível, não um resultado para qualquer arquivo. Consulte a documentação de precisão da Rev e as condições de avaliação de cada fornecedor.

Áudio nítido, pouco ruído e vocabulário comum são condições diferentes de um painel médico com quatro sotaques. Não é correto concluir, apenas a partir de uma ressalva, que o fornecedor só atingiu esse número uma vez em laboratório.

Em 10 mil palavras, 99% corresponderia a aproximadamente 100 erros, e 91% a cerca de 900, se a mesma definição de erro fosse usada. Essa diferença pode representar muito trabalho.

Garantias de serviços humanos também têm condições e precisam ser verificadas diretamente com o fornecedor. O relato apresenta 98,3% para Rev Human no arquivo difícil; isso é um resultado daquele caso, não uma garantia geral.

Nem todo erro tem o mesmo peso

A taxa total não mostra sozinha o risco do documento. Separe os erros por consequência.

Erros que mudam o sentido: trocar “estável” por “instável” ou “positivo” por “negativo”. O texto original relata cerca de 80 ocorrências em 10 mil palavras para IA e duas para humanos, mas não fornece as anotações para auditoria. A importância da categoria independe desse número.

Erros que prejudicam a credibilidade: nomes, cargos e termos técnicos incorretos. O relato diz que foram 20 vezes mais frequentes na IA.

Erros que dificultam a compreensão: pontuação inadequada e atribuição incorreta de falantes, apresentados como nove vezes mais frequentes no grupo automático.

Erros de apresentação: hesitações e pequenas inconsistências de formatação, apresentados como 2,5 vezes mais frequentes. Em análise da conversação, porém, uma hesitação pode ser dado relevante, não um erro.

O texto também informa taxas de erros graves de 3% e 0,12%. A divisão entre esses valores é 25, não 24. Sem uma definição detalhada e a lista de ocorrências, não use esse fator como comparação universal.

Manter um “ahn” no texto e transformar “recomendamos tratamento” em “não recomendamos tratamento” são problemas de natureza muito diferente. Revise de acordo com a consequência.

Como escolher

Considere IA quando:

Você precisa de um rascunho rápido, tem volume alto, áudio razoavelmente nítido, orçamento limitado e condições de revisar o resultado.

Exemplos: organizar uma entrevista jornalística antes de conferir as citações, preparar a transcrição de um podcast ou começar a análise de entrevistas de pesquisa.

Compare os planos do TranscribeNext, Otter ou outros serviços com seu volume e com os formatos de que precisa. Teste o mesmo trecho em cada opção.

Considere transcrição ou revisão humana especializada quando:

Um erro puder afetar uma decisão importante, o áudio estiver difícil, o assunto for técnico ou houver exigências de entrega formal.

Depoimentos, documentos médicos e materiais destinados a processos podem exigir profissionais e procedimentos específicos. Uma revisão humana comum não equivale automaticamente a certificação ou adequação jurídica.

Os valores históricos citados na origem variam de US$ 1,50 a US$ 4 por minuto conforme o serviço. Solicite orçamento atual e confirme idioma, prazo, revisão e requisitos de confidencialidade.

Considere um fluxo híbrido quando:

Você quer um rascunho rápido, mas também precisa de conferência rigorosa, ou o áudio é claro na maior parte e difícil em alguns trechos.

A IA gera o texto inicial; uma pessoa revisa com o áudio, corrige e sinaliza dúvidas. O custo pode cair em relação a digitar tudo do zero, mas depende do estado do rascunho e da profundidade da revisão.

Serviços como Verbit oferecem combinações de automação e trabalho humano. Outra opção é usar o TranscribeNext e contratar revisão separada. Confirme preços e escopo diretamente, em vez de tomar os valores históricos deste artigo como cotação.

Quanto você paga incluindo o seu tempo

Vamos conferir a conta com hipóteses explícitas para uma hora de áudio:

IA: US$ 9 atribuídos ao serviço mais 45 minutos de revisão. Com sua hora avaliada em US$ 50, a revisão custa US$ 37,50 e o total é US$ 46,50.

Transcrição humana: US$ 90 pelo serviço mais 15 minutos de conferência, ou US$ 12,50. Total: US$ 102,50.

A diferença é US$ 56 por hora de áudio, ou US$ 5.600 em 100 horas, mantendo todas as hipóteses.

Se a sua hora vale US$ 100, os totais passam a US$ 84 e US$ 115. A diferença diminui para US$ 31.

O ponto de equilíbrio desse exemplo é US$ 162 por hora: `9 + 0,75 × hora = 90 + 0,25 × hora`. A versão original indicava US$ 108, o que não corresponde às próprias premissas.

Esses US$ 9 não são uma tarifa do TranscribeNext. Substitua pelo custo efetivo do seu plano, pelo tempo real de edição e pelo orçamento do revisor. Para alguns profissionais, delegar a revisão pode ser mais econômico do que fazê-la pessoalmente.

Um fluxo prático de trabalho

O modelo de 90% com IA e 10% com revisão especializada

O autor original descreve usar IA na maior parte dos trabalhos e encaminhar os casos mais sensíveis a profissionais.

O processo proposto é:

1. Enviar o áudio ao TranscribeNext.

2. Ler o rascunho e marcar trechos suspeitos.

3. Ouvir novamente citações, números, nomes e passagens importantes.

4. Corrigir manualmente.

5. Encaminhar os materiais de maior risco para revisão especializada.

O tempo de revisão mencionado é de cerca de 30 minutos em muitos arquivos, mas varia. O que basta para anotações pessoais pode ser insuficiente para publicação, pesquisa ou uso profissional sensível.

O relato apresenta custo mensal de US$ 1.700 para 100 horas nesse modelo, contra US$ 9 mil com trabalho humano integral. A diferença anual dessas hipóteses é US$ 87.600. Não é um orçamento nem uma garantia de precisão de 99%.

Exemplos de uso relatados

O artigo original descreve três organizações sem dados suficientes para verificação independente. Os cenários ajudam a pensar em fluxos de trabalho, não a prever sua economia.

Escritório de advocacia: o relato menciona mais de 500 horas anuais e redução de US$ 750 mil para US$ 150 mil, com revisão humana dos documentos destinados a apresentação formal. Os totais são muito superiores às tarifas por hora dos exemplos anteriores, e o escopo não é explicado. Não compare esses valores sem entender quais serviços e requisitos estavam incluídos. Documentos não apresentados em juízo também podem exigir conferência rigorosa.

Pesquisadora da área médica: para 200 entrevistas, o texto relata orçamento de US$ 36 mil e seis meses, seguido de uso de IA com revisão da terminologia pela própria pesquisadora, por menos de US$ 5 mil e duas semanas. A adequação depende de consentimento, confidencialidade, protocolo de pesquisa e verificação do conteúdo, não apenas do custo.

Rede de podcasts: com 80 episódios mensais, o relato compara US$ 9 mil de transcrição humana a US$ 3.600 com IA e cita aumento de 340% no tráfego orgânico. Não há dados para isolar a contribuição das transcrições. Meça o efeito em suas páginas em vez de assumir a mesma evolução.

Como decidir para o seu caso

A pergunta não é apenas “IA ou humano?”, mas “qual precisão e qual processo de revisão este uso exige?”.

Anotações pessoais, rascunhos de pesquisa, transcrições de podcasts e atas podem começar com IA, desde que sejam revisados de acordo com a finalidade.

Documentos jurídicos, registros médicos e conteúdos publicados sob sua responsabilidade pedem atenção maior. Um profissional também pode errar, então confirme qualificações, escopo e critérios de entrega.

Em volumes grandes, use automação onde ela ajuda e concentre a revisão humana nos trechos e documentos que exigem mais cuidado.

Cinco perguntas rápidas

As respostas são mais úteis do que escolher por uma única porcentagem de precisão.

Perguntas frequentes sobre transcrição com IA e humana

A IA é tão precisa quanto a transcrição humana?

Depende do áudio, do idioma e da revisão. No relato reproduzido aqui, o melhor resultado de IA foi 91,2%, o melhor humano foi 99,1% e o híbrido chegou a 99,4%. Esses números pertencem a um caso sem material completo de auditoria publicado neste artigo e não devem ser generalizados.

Quando a IA é suficiente?

Quando você precisa de um rascunho de uma gravação razoavelmente clara e pode revisar o que importa para o uso. Reuniões, entrevistas, podcasts e materiais de trabalho podem se beneficiar, mas a tolerância a erro depende da finalidade.

Quando devo recorrer a um profissional?

Quando erros puderem afetar pessoas, decisões ou obrigações: processos, documentação clínica, conformidade e registros oficiais, por exemplo. Confirme se o profissional e o serviço atendem aos requisitos específicos. A contratação, sozinha, não elimina a necessidade de controle de qualidade.

Como funciona a abordagem híbrida?

A IA produz o rascunho, e uma pessoa revisa com o áudio, corrige e sinaliza dúvidas. Pode ser um serviço integrado ou a combinação de uma ferramenta automática com um revisor contratado. A economia depende do quanto o rascunho precisa ser corrigido.

Quanto mais cara é a transcrição humana?

O relato informa médias históricas de US$ 11,33 por hora de áudio para IA e US$ 88,20 para humanos, cerca de 7,8 vezes mais. Isso não representa preços atuais. Inclua assinatura, volume, prazo e seu tempo de revisão na comparação.

---

Guias relacionados:

---

*Quer testar? O TranscribeNext oferece uma prévia gratuita dos primeiros cinco minutos, com até três arquivos por dia no plano Free. Use uma gravação sua e confira se o resultado atende à sua necessidade.*