Como transcrever áudio para texto com IA: testei Gemini, ChatGPT e NotebookLM

Há uns meses comecei a gravar as reuniões de trabalho no telemóvel só para não perder pormenores importantes a meio da conversa. O problema apareceu depressa: fiquei com uma pasta cheia de ficheiros de trinta e quarenta minutos que nunca mais tinha tempo de voltar a ouvir. Passar isso a texto à mão é um trabalho que ninguém tem paciência para fazer todas as semanas, e as legendas automáticas do telemóvel não chegam nem perto da qualidade que precisas para umas notas de reunião a sério.

Passei duas semanas a testar três ferramentas de IA para resolver isto sem pagar nada, com áudios reais gravados por mim, incluindo um com duas pessoas a falar ao mesmo tempo e outro com ruído de fundo a sério. Aqui fica o que resultou, o que ainda falha, e o prompt que uso agora sempre que preciso de transcrever alguma coisa.

Como testei

Usei três tipos de áudio, porque testar só com um ficheiro limpo e silencioso não diz nada sobre o que acontece no dia a dia real. O primeiro foi uma nota de voz de dois minutos, gravada a andar na rua, com uma frase dita depressa e outra mais devagar. O segundo foi um excerto de sete minutos de uma reunião com duas pessoas, com alguma sobreposição de falas. O terceiro foi um apontamento de dez minutos com vocabulário mais técnico, do tipo que costuma confundir transcrição automática por não ser linguagem do dia a dia. Em cada ferramenta avaliei três coisas: quantos erros óbvios apareciam no texto final, se conseguia separar quem estava a falar quando havia mais do que uma pessoa, e se a pontuação e os parágrafos saíam legíveis à primeira ou se era preciso reescrever tudo à mão.

Gemini: a opção mais direta e a mais forte em português

O Gemini foi o que me deu menos trabalho. Basta abrir uma conversa nova, anexar o ficheiro de áudio (aceita mp3, wav, m4a e a maioria dos formatos comuns) e pedir a transcrição. Não precisa de plugin nem de configuração extra. Nos três testes foi o que teve menos erros óbvios nas frases ditas mais depressa, e foi também o único que, sem eu pedir explicitamente, já organizou o texto em parágrafos separados por pausas naturais na fala.

A parte onde ainda tropeça é a sobreposição real de vozes. No excerto da reunião com as duas pessoas a falar ao mesmo tempo, o Gemini juntou as duas falas numa só frase em vez de as separar corretamente. Isto é normal, até ferramentas profissionais de transcrição têm dificuldade quando o áudio tem sobreposição a sério, mas vale a pena saberes de antemão que vais ter de rever manualmente esses trechos.

ChatGPT: funciona bem, mas é mais sensível ao ficheiro

O ChatGPT também aceita ficheiros de áudio anexados diretamente na conversa, e o resultado nos dois primeiros testes foi muito parecido ao do Gemini, com uma pequena vantagem na pontuação do apontamento técnico, onde acertou termos que o Gemini escreveu de forma ligeiramente diferente. Onde senti mais fricção foi no ficheiro de dez minutos: numa das tentativas, a resposta cortou a meio antes de chegar ao fim do áudio, e tive de pedir para continuar a partir do ponto onde tinha parado.

Se já usas o ChatGPT no dia a dia e preferes manter tudo na mesma app, funciona bem para áudios mais curtos. Para ficheiros mais longos, testa primeiro com um excerto pequeno antes de confiares nele para a reunião toda. Se ainda não sabes tirar o máximo partido das instruções que dás à ferramenta, o nosso guia de prompts no ChatGPT ajuda a escrever pedidos mais precisos, o que também faz diferença aqui.

NotebookLM: não é para transcrever, é para o que vem a seguir

Vale a pena desfazer uma confusão comum. O NotebookLM não é a ferramenta certa para pedires uma transcrição limpa do zero, o motor está pensado para trabalhar sobre fontes que já lhe dás, incluindo ficheiros de áudio, e responder a perguntas sobre esse conteúdo, não para devolver um texto literal palavra a palavra. Onde brilha a sério é depois de teres a transcrição: carregas o texto como fonte e pedes um resumo, uma lista de decisões tomadas na reunião, ou uma pergunta específica do tipo "o que ficou combinado sobre o prazo do projeto".

Se nunca usaste, o guia de como usar o NotebookLM explica o resto das funcionalidades, incluindo a opção de gerar um resumo em formato de conversa a partir das tuas notas, que é diferente de uma transcrição e serve para outro objetivo.

"O ganho real não está em nenhuma destas ferramentas sozinha. Está em transcreveres com uma e organizares com outra, em vez de esperares que uma só faça tudo bem."

O prompt que evita a maioria dos erros

O erro mais comum que vejo é pedir só "transcreve isto" sem mais nenhum contexto. Isso obriga a IA a adivinhar o idioma, o número de pessoas a falar e o nível de detalhe que queres, e é aí que os erros aparecem. Sempre que dás esse contexto logo à partida, a diferença é imediata, como no prompt do Gemini acima. Quando já tens uma transcrição feita mas com erros óbvios, este segundo prompt ajuda a limpá-la sem arriscar que a IA invente palavras que nunca foram ditas.

Qual escolher, consoante o que precisas

• Nota de voz curta e rápida: o Gemini resolve em segundos, sem fricção nenhuma.
• Reunião ou aula mais longa com várias pessoas: transcreve primeiro com o Gemini ou o ChatGPT, depois passa o texto para o NotebookLM para organizar.
• Precisas de perguntar coisas sobre o conteúdo depois, não só ter o texto todo: carrega a transcrição já feita no NotebookLM em vez de tentares fazer tudo numa ferramenta só.
• Ficheiro com muito ruído de fundo ou várias pessoas a falar ao mesmo tempo: nenhuma destas é perfeita aqui, conta sempre com uma revisão manual dos trechos mais confusos.

Erros que vejo as pessoas cometerem

• Confiar cegamente no texto sem rever, sobretudo em áudios com sobreposição de vozes ou ruído de fundo.
• Não dizer o idioma nem o número de falantes no pedido, o que faz o modelo adivinhar e errar mais do que precisava.
• Colar reuniões inteiras com informação sensível, como dados de clientes ou números de contribuinte, sem pensar em quem tem acesso àquela conversa depois.
• Pedir tudo numa mensagem só num áudio muito longo, em vez de dividir em partes mais pequenas quando a ferramenta começa a cortar respostas.

Privacidade: o que não deves colar

Antes de arrastares a gravação de uma reunião de trabalho para qualquer uma destas ferramentas, vale a pena parar dois segundos. Uma reunião pode conter nomes de clientes, valores de contratos ou informação que não é tua para partilhares sem autorização. Evita transcrever áudios com dados sensíveis de terceiros sem teres o aval da tua empresa, e revê as definições de privacidade da conta antes de usares dados de trabalho a sério. Já escrevi sobre isto com mais detalhe no artigo sobre se o ChatGPT é seguro, e a lógica aplica-se da mesma forma ao Gemini.

Checklist rápido

• Sabes o idioma e quantas pessoas falam no áudio antes de pedires a transcrição?
• Testaste com um excerto curto antes de confiares num ficheiro longo?
• Reviste os trechos com sobreposição de vozes ou ruído de fundo?
• Confirmaste que não há dados sensíveis de terceiros no áudio que vais colar?
• Já sabes o que fazer a seguir ao texto, seja resumir, organizar ou arquivar?

Em resumo

Nenhuma destas ferramentas te vai dar uma transcrição perfeita ao primeiro tiro, sobretudo se o áudio tiver ruído de fundo ou várias pessoas a falar ao mesmo tempo. Mas para a maioria das notas de voz, aulas e reuniões do dia a dia, o Gemini poupa-te horas sem custar nada, e o NotebookLM entra bem na fase seguinte, quando já tens o texto e só precisas de o organizar. Se ainda estás a decidir entre as ferramentas de IA que já usas no dia a dia, o nosso guia de como usar o Gemini cobre o resto das funcionalidades para além da transcrição, e o de como resumir vídeos do YouTube com IA ajuda quando o que tens não é um áudio mas um vídeo inteiro.

Queres mais guias práticos como este, sem enrolação? Subscreve a newsletter e recebe um por semana.

Perguntas frequentes

Como transcrevo um áudio para texto com IA grátis?

Abre o Gemini ou o ChatGPT, anexa o ficheiro de áudio diretamente na conversa e pede a transcrição completa, dizendo o idioma e quantas pessoas falam. Ambos fazem isto sem custos na versão gratuita, ainda que com limites de tamanho de ficheiro que valem a pena testar antes de confiares num áudio longo.

O Gemini transcreve bem português de Portugal ou só português do Brasil?

Nos testes que fiz, reconheceu bem o sotaque e o vocabulário de Portugal, sem trocar palavras por expressões brasileiras. Onde mais tropeçou não foi no sotaque, foi na sobreposição de vozes quando duas pessoas falavam ao mesmo tempo.

Qual é a diferença entre transcrever com o Gemini e usar o NotebookLM?

O Gemini dá-te o texto literal do que foi dito. O NotebookLM não foi pensado para transcrição palavra a palavra, é para trabalhar sobre um texto ou áudio que já lhe deste, respondendo a perguntas e criando resumos. Na prática, usa os dois em conjunto: transcreve primeiro, organiza depois.

É seguro transcrever reuniões de trabalho com IA?

Depende do que a reunião contém. Evita transcrever áudios com dados sensíveis de clientes ou informação confidencial sem autorização da tua empresa, e confirma nas definições da conta se as conversas são usadas para treinar o modelo antes de fazeres isto com dados de trabalho a sério.

Porque é que a transcrição corta a meio em áudios mais longos?

Normalmente porque o ficheiro ultrapassa o limite que a ferramenta consegue processar de uma vez. Nesses casos, pede para continuar a partir do ponto onde parou, ou divide o áudio em partes mais pequenas antes de o enviares.