Transcrição de reunião em tempo real em português: o que é de verdade

São 9h40 e você é a pessoa que ficou de tomar a ata do comitê. Doze participantes, dois falando por cima do outro, e o diretor jogando um número de orçamento que você precisa registrar agora. Você liga a "transcrição em tempo real" da ferramenta da empresa e a tela começa a escrever. Só que ela escreve com três segundos de atraso, o texto que apareceu há um instante se reescreve sozinho, e onde devia estar o nome da diretora aparece "Orador 4". Tempo real, dizia a caixinha. Real pra quem?

A pergunta que traz a maioria das pessoas até aqui é essa: o que é transcrição de reunião em tempo real em português, e por que duas ferramentas que prometem a mesma coisa entregam experiências tão diferentes? A resposta curta é que "tempo real" não é um botão ligado ou desligado. É um velocímetro — e quase ninguém mostra o ponteiro.

O que significa "em tempo real" numa transcrição?

Vale começar pelo que a expressão de fato descreve, porque ela é usada pra duas coisas que não são iguais.

A primeira é a transcrição streaming: o áudio entra em pedaços de fração de segundo e o texto sai quase junto, palavra após palavra, enquanto a reunião acontece. A segunda é a transcrição em lote (batch): a ferramenta grava tudo, espera a chamada acabar e só então processa o arquivo inteiro de uma vez. As duas chegam ao mesmo texto no fim — mas só a primeira te serve durante a reunião, quando ainda dá pra agir sobre o que foi dito. A maioria dos apps de "notas de reunião" do mercado é, no fundo, batch com cara de tempo real: eles mostram uma legenda correndo, mas a inteligência de verdade (resumo, tarefas, decisões) só nasce depois que você desliga.

A diferença entre os dois mundos tem nome técnico, e ele é a chave de tudo: latência. É o intervalo entre o som sair da boca de alguém e a palavra correspondente aparecer na sua tela.

Por que "tempo real" varia tanto entre ferramentas?

Aqui está o que o marketing esconde: existe um número que define a experiência, e quase nenhuma página de produto o publica.

Para produtos ao vivo — legendas, assistentes de voz, transcrição de reunião —, o teto de latência considerado aceitável fica em torno de 300 milissegundos para o primeiro pedaço do texto aparecer, segundo a Deepgram (Deepgram, speech-to-text benchmarks). Mas isso é o tempo até a primeira palavra começar a sair, não até o texto ficar pronto e correto. Quando se mede a experiência completa, a Picovoice descreve a faixa de 500 a 800 milissegundos como o ponto ótimo para legendagem ao vivo e conversa natural, de 500 a 1500 ms ainda como fluxo aceitável, e acima de 1500 ms como "atrasos frustrantes" (Picovoice, speech-to-text latency). Para efeito de comparação, uma pessoa leva de 400 a 500 ms só pra pronunciar uma palavra (mesma fonte).

Por isso "tempo real" não quer dizer nada sozinho. Uma ferramenta a 600 ms e outra a 3 segundos podem usar exatamente o mesmo rótulo na home. Na prática, uma acompanha a conversa e a outra está sempre uma frase atrás de você — e numa reunião rápida, uma frase atrás é tarde demais.

Resultado parcial vs resultado final: por que o texto se reescreve

Você já reparou que, numa transcrição ao vivo, uma palavra aparece, fica piscando, e meio segundo depois muda pra outra? Isso não é defeito. É o coração do problema de fazer transcrição ao vivo, e entender isso explica metade das frustrações.

Todo motor de fala em streaming entrega dois tipos de texto. O resultado parcial é a aposta imediata: chega rápido, mas é instável e pode mudar conforme o motor ouve mais contexto. O resultado final é a versão estável, fechada só quando o sistema detecta que a frase acabou — mais precisa, porque incorpora o contexto inteiro, mas mais lenta (arXiv, Partial Rewriting for Multi-Stage ASR, dez/2023). A própria finalização do texto adiciona de 100 a 800 ms de atraso (Picovoice).

Esse é o cabo de guerra que nenhum fornecedor vence de graça: cada milissegundo cortado da latência costuma custar pontos de precisão, porque o modelo decide com menos contexto à frente. Reduzir os dois ao mesmo tempo — atraso baixo e erro baixo — é descrito na literatura como um problema dos mais difíceis da área (arXiv, FastEmit, 2020). É por isso que a "transcrição rápida" de uma ferramenta e a "transcrição correta" de outra raramente são a mesma. Quem te entrega texto instantâneo costuma estar te mostrando o palpite parcial; quem te entrega texto limpo costuma estar te fazendo esperar.

Diarização ao vivo: o pedaço mais difícil, e o que mais quebra a ata

Transcrever o que foi dito é metade do trabalho. A outra metade — e a que decide se a sua ata presta — é saber quem disse. Isso se chama diarização: separar a conversa por falante, "Orador 1", "Orador 2", e idealmente colar o nome certo em cada fala.

Fazer isso depois, com a gravação inteira na mão, é viável: o sistema ouve tudo, compara as vozes e pode até voltar atrás e corrigir um rótulo que errou no começo. Fazer isso ao vivo é outra história. Numa transcrição em tempo real, no momento em que o sistema atribui um falante a um trecho de áudio, essa decisão vira permanente — não há como revisar depois (AssemblyAI, streaming speaker diarization). Errou o "Orador 3" no minuto dois? Esse erro fica na ata.

E tem um detalhe que pega justo no começo da reunião: nos primeiros minutos, as atribuições de falante são menos estáveis, porque o sistema ainda tem pouca voz de cada pessoa pra construir um perfil — falas curtas como "isso" ou "fechado" mal dão material pra identificar quem foi (AssemblyAI). E quanto mais gente, pior: a precisão cai à medida que participantes entram, porque sobra menos áudio por pessoa, e o sistema é mais confiável com dois falantes do que com doze (AssemblyAI).

O comitê de doze pessoas da abertura, com gente falando junto, é exatamente o pior caso. Quando duas pessoas falam ao mesmo tempo, o áudio sobrepõe e mascara palavras: o erro de transcrição (WER) pode subir de 15% a 30%, e a sobreposição é justo o que dispara o erro de diarização (WayWithWords / GoTranscript, técnicas de crosstalk). Não é que a ferramenta seja ruim. É que diarização ao vivo, com crosstalk, é um dos problemas abertos da área — e quem promete "tempo real" sem falar disso está vendendo só a parte fácil.

Tempo real em português é diferente de tempo real em inglês?

Sim, e essa é a camada que some das comparações em inglês. Latência e diarização são problemas de engenharia iguais em qualquer idioma. A qualidade do reconhecimento, não.

Aqui há uma boa notícia e uma ressalva. A boa: o português brasileiro hoje é tratado como idioma de "primeira linha" pelos motores modernos. Em áudio limpo, o Whisper — o modelo aberto de referência — fica na faixa de 5% a 8% de erro de palavra em português, perto da paridade com o inglês (2,7% a 5%) (NovaScribe, WER do Whisper por idioma, 2026; Open ASR Leaderboard, out/2025). Quem disser que "transcrição em português não funciona" está desatualizado: funciona, e bem, quando o áudio colabora.

A ressalva é que o áudio quase nunca colabora numa reunião de verdade. A qualidade do áudio afeta a precisão mais do que qualquer outro fator: o mesmo modelo que faz 2,7% em laboratório vai pra 15%–25% em ambiente com ruído e 18%–28% com microfone distante (NovaScribe). Sotaque carregado, eco de sala, três pessoas no mesmo microfone de notebook — tudo isso empurra o erro pra cima, e empurra mais em PT-BR do que em inglês, porque há menos horas de áudio brasileiro rotulado treinando os motores e os nomes próprios brasileiros ("Gonçalves", "Niterói", "Itaú") aparecem pouco nos dados. O motor que acerta "decisão" num ditado limpo pode escrever "de cisão" quando o diretor fala rápido e o ar-condicionado zumbe ao fundo.

Então "transcrição em tempo real em português" de verdade tem duas exigências empilhadas: a engenharia de streaming (latência baixa, diarização ao vivo) e um motor que ouve o português brasileiro como primeira língua, não como tradução de um modelo de inglês. As duas coisas precisam estar presentes. Uma sem a outra te dá ou texto rápido e errado, ou texto certo que chega tarde.

Tempo real para quê? Transcrever ao vivo não é o ponto

Aqui dá pra dar um passo atrás e perguntar o óbvio que ninguém pergunta: por que você quer a transcrição em tempo real, e não a do dia seguinte?

Quase nunca é pra ler a legenda. Ninguém acompanha uma reunião lendo o texto correndo na lateral — você está na reunião, falando e ouvindo. O valor de ser "ao vivo" não está em ver as palavras aparecerem. Está no que dá pra fazer com elas enquanto a conversa ainda está aberta: perceber que uma decisão saiu errada, que um prazo ficou solto, que o orçamento foi citado três vezes e ninguém endereçou. Depois que todo mundo desligou, esse poder de correção acabou. A ata mais perfeita do mundo, entregue duas horas depois, chega num momento em que já não dá pra mudar nada — só registrar o que passou.

É essa a virada que move o Verter. A transcrição em tempo real, em PT-BR nativo, é a base; o que importa é o que é construído em cima dela enquanto a reunião acontece. Enquanto as pessoas falam, uma janela que só você enxerga vai mostrando o que é decisão, o que virou tarefa e o que é ponto de atenção, no instante em que aparece na conversa. Essa janela é privada — fica fora do compartilhamento de tela, ninguém na chamada sabe que ela existe — e proativa: ela empurra o insight sem você precisar perguntar nada. Ao encerrar, a ATA em português já sai pronta, com decisões, tarefas e responsáveis separados. Você cobre os dois tempos: vê durante e tem o registro depois.

O resto da equação reforça, mas não é o coração. Como o Verter é um app de desktop que captura o áudio do próprio computador (o som do sistema mais o seu microfone), não entra nenhum participante "Notetaker" na lista da reunião — o que importa aqui não é só privacidade, é técnico: capturar o áudio limpo na origem evita parte da degradação de microfone distante que estoura o erro de transcrição. Some a isso dados no Brasil sob a LGPD e preço em real com nota, e você tem o pacote pensado pra reunião brasileira. Mas se eu tivesse que cortar tudo menos uma frase: o tempo real só vale pelo que ele te deixa fazer antes de desligar.

Se você está comparando ferramentas e quer ver lado a lado quem realmente transcreve português e quem entrega ao vivo, vale o comparativo entre Otter, Fireflies, tl;dv e Fathom. Se a sua dúvida é mais direta sobre o Otter, veja as alternativas ao Otter.ai em português.

Como avaliar uma transcrição em tempo real antes de assinar

Sem virar checklist genérico, três testes valem mais que qualquer página de marketing — e nenhum deles aparece nas tabelas de feature dos concorrentes:

• Meça o atraso com cronômetro. Fale uma frase e conte quantos segundos até a palavra aparecer estável (não o palpite que pisca). Abaixo de ~1 segundo é ao vivo de verdade; perto de 3, é batch maquiado (Picovoice).
• Force o pior caso de diarização. Faça duas pessoas falarem juntas por dez segundos e veja se a ferramenta mantém os falantes separados ou funde tudo num "Orador 1". É no crosstalk que a ata desmorona (AssemblyAI).
• Teste com a sua sala real, não com ditado. Microfone de notebook, ar-condicionado, sotaque do time. O número de laboratório não é o número que você vai viver (NovaScribe).