A jornada da Lia · cena 14

Depois de cada visita, a equipe grava um áudio contando como foi. São dezenas por semana, e ninguém ouve de novo. As listas de frequência de duas escolas ainda chegam em papel, fotografadas com o celular. Lia percebeu que metade do que a equipe sabe está em formatos que a planilha não lê. E se desse para ler?

Por muito tempo eu só consegui usar IA generativa profissionalmente com texto — cheguei a perguntar em público se estava perdendo alguma coisa. Hoje falo mais do que digito: dito o que quero e gravo conversas para pensar depois. A máquina passou a aceitar o mundo no formato em que ele acontece.

Isso tem nome — modelos multimodais — e levanta uma pergunta antes de qualquer outra.

O que muda quando a entrada não é texto?

Por dentro, menos do que parece. Uma imagem é uma grade de números (capítulo 2). Um áudio é uma sequência de medidas da onda sonora. Tudo vira pedaços, os pedaços viram vetores, e a mesma engrenagem do capítulo 3 calcula o que vem depois.

Se a engrenagem é a mesma, o que você esperaria dos defeitos? Que fossem os mesmos também: quando falta informação, ela completa com o que é plausível.

Provocação: antes de abrir cada aba, responda: se a transcrição de uma visita trouxer uma frase que ninguém disse, quem vai perceber — e quando?

Voz → texto

O que se ganha. O relato de uma visita, a reunião, a aula: tudo vira texto pesquisável, que pode ser resumido e comparado.

Onde costuma errar. Nomes próprios, números, sotaques, falas sobrepostas. E um erro mais estranho: trechos de silêncio ou ruído podem virar frases inteiras que ninguém disse. Um estudo com um sistema de transcrição muito usado encontrou frases inventadas em cerca de 1% das gravações, mais vezes em falas com pausas longas. Eu mesmo já recebi uma transcrição que terminava com um crédito de legendagem que eu nunca ditei.

A pergunta. Quem ouve o áudio original antes de a transcrição virar registro oficial?

Imagem → dados

O que se ganha. A foto da lista de chamada em papel vira tabela. O documento escaneado vira campos preenchidos.

Onde costuma errar. Letra de mão, um 1 que vira 7, uma linha pulada, uma coluna deslocada. O resultado vem sempre limpo e alinhado — inclusive quando está errado.

A pergunta. Como conferir sem refazer tudo à mão? (Pista: totais que precisam bater e uma amostra sorteada.)

Texto → imagem

O que se ganha. Ilustração para um material, esboço de uma tela, variações de uma ideia em segundos.

Onde costuma errar. Repete os estereótipos do treino (capítulo 4): peça “uma pessoa cientista” algumas vezes e observe quem aparece. Pode produzir algo que parece fotografia de uma pessoa real.

A pergunta. Quem vê essa imagem vai saber que ela foi gerada? Deveria saber?

Texto → voz e vídeo

O que se ganha. Narração de um material, vídeo curto explicativo, acessibilidade para quem não lê.

Onde costuma errar. É o uso que mais consome energia (capítulo 6). E é o que mais se aproxima de colocar palavras na boca de alguém.

A pergunta. De quem é a voz e o rosto — e essa pessoa concordou?

Então o que é diferente do texto?

Três coisas, e as três pedem mais cuidado, não menos:

  1. Conferir dá mais trabalho. Reler um parágrafo leva segundos; ouvir de novo dez minutos de áudio leva dez minutos. O que é trabalhoso de conferir tende a não ser conferido.
  2. O dado é mais sensível. Voz e rosto identificam uma pessoa de um jeito que o nome não identifica (capítulo 5). Um áudio de visita traz, de quebra, a casa, as crianças ao fundo, o que a família contou em confiança.
  3. Custa mais, em dinheiro e em energia.

Uma pergunta que eu deixo sem resposta de propósito: transcrever tudo é registrar melhor o trabalho, ou é passar a guardar o que antes, por bons motivos, se perdia?

Um caminho, antes de gravar ou fotografar

  1. De quem é a voz, o rosto, a letra? Essa pessoa sabe?
  2. Onde o arquivo original fica, e por quanto tempo?
  3. Quem confere a saída, e como: tudo, uma amostra, os totais?
  4. O que acontece se estiver errado? Um resumo de reunião com um erro é diferente de um registro de visita com um erro.
  5. Precisa mesmo? Às vezes três linhas escritas por quem esteve lá valem mais que quarenta minutos transcritos.

Para guardar

  • Voz, imagem e vídeo passam pela mesma engrenagem do texto e herdam o mesmo defeito: completar com o plausível.
  • A saída vem sempre bem formatada. Boa aparência não é sinal de acerto.
  • Quanto mais difícil de conferir e mais sensível o dado, mais a decisão de usar precisa ser tomada antes, não depois.

Diário de bordo da Lia

  • Perguntas que ela levou: a família sabe que a conversa vira áudio, e o áudio vira texto? O que eu ganho ao transcrever tudo — e o que eu passo a guardar que antes não guardava?
  • Um caminho para responder: transcrever dez áudios e ouvir os dez, conferindo; anotar onde errou (nomes, números, silêncios); decidir com a equipe o que vira registro e o que é apagado; perguntar antes de gravar.
  • Peça nova no projeto: a regra do que pode ser gravado, quem confere e por quanto tempo fica guardado.
Para levar para a aula

Atividade (30 min) — caça ao erro bem formatado

Em grupos: (1) gravem um minuto de conversa com pelo menos três nomes próprios, dois números e uma pausa longa, e transcrevam com uma ferramenta; (2) fotografem uma tabela escrita à mão com dez linhas e peçam a conversão para planilha. Marquem todos os erros. Depois troquem os resultados sem os originais com outro grupo: quantos erros o outro grupo consegue achar só olhando a saída?

Perguntas de discussão

  • Quais erros só apareceram comparando com o original? O que isso diz sobre guardar ou apagar o original?
  • Em que situação do seu trabalho um áudio transcrito viraria documento oficial? Quem deveria assinar embaixo?
  • Você gostaria de receber um aviso quando a voz de um atendimento é sintética? Por quê?
  • Que conteúdo você decidiria nunca gravar, mesmo que a tecnologia permitisse?

Referências