Corrija erros de jargão na transcrição: a revisão com glossário

Por que o jargão quebra

A resposta curta: a palavra nunca esteve na distribuição de treinamento do modelo. Modelos de transcrição por IA aprendem com milhões de horas de áudio, mas esses dados são fortemente voltados para conversas cotidianas. "Kubernetes" aparece em uma fração de um por cento das falas de treinamento. "Eletrocardiograma" aparece ainda menos. Então, quando o sinal acústico chega, o modelo substitui por palavras foneticamente semelhantes que ele conhece. "Kubernetes" vira "cuban itties". "PostgreSQL" vira "postgrass quill". "gRPC" sai escrito como "g-rpc" com um hífen perdido.

As substituições são previsíveis, não aleatórias. O modelo está fazendo exatamente o que foi treinado para fazer: escolher a sequência de palavras de maior probabilidade dado os sons. O problema é que essa probabilidade reflete o inglês geral, não o seu domínio. Essa é a lacuna da distribuição de treinamento, e ela explica por que a distorção é consistente, e não dispersa. Toda vez que alguém diz "Kubernetes" naquela gravação, a transcrição traz "cuban itties".

A boa notícia é que a correção é estrutural. Resolva a lacuna de distribuição uma vez, e o problema praticamente desaparece para todas as transcrições seguintes nesse domínio.

Três caminhos de correção, ordenados pelo custo de configuração

Caminho 1: Buscar e substituir (rápido, por transcrição)

Para uma única transcrição com alguns termos distorcidos, buscar e substituir leva menos de 10 minutos e funciona com qualquer ferramenta. Monte uma lista de substituições enquanto lê a saída:

cuban itties     → Kubernetes
postgrass quill  → PostgreSQL
g-rpc            → gRPC
docker compose   → Docker Compose
postgres equal   → PostgreSQL

Execute buscar e substituir para cada par. Salve a lista. Na próxima transcrição sobre o mesmo tema, aplique a lista antes de começar a ler. Você obtém a maior parte do valor nas primeiras 20 substituições.

O limite é claro: essa abordagem é reativa e específica de cada transcrição. É a decisão certa para uma gravação pontual. É a arquitetura errada para uma equipe que produz 50 transcrições por semana.

Caminho 2: Vocabulário personalizado e keyterm prompting (correção permanente)

O vocabulário personalizado informa ao motor quais termos priorizar antes mesmo de ele ouvir uma palavra. A maioria das APIs de nível de produção hoje suporta isso nativamente, e a configuração é um custo único.

As implementações diferem por plataforma:

Alguns detalhes verificados que vale a pena saber:

Keyterm prompting do Deepgram Nova-3 (verificado em julho de 2026): passe keyterm=TERM como parâmetro de consulta, repetindo-o para cada termo. Segundo a documentação da Deepgram, os termos são limitados a 500 tokens no total por requisição; a recomendação prática é de 20 a 50 termos de alto valor. O keyterm prompting é específico dos modelos Nova-3 e do Flux; o antigo Nova-2 usa um parâmetro separado, keywords.

Keyterms prompting da AssemblyAI está atualmente documentado para transcrição em streaming, com até 100 termos de 50 caracteres cada. O parâmetro é keyterms_prompt na configuração de streaming. Para transcrição em lote, o parâmetro legado word_boost da AssemblyAI, com valores low, default ou high para boost_param, continua valendo.

Parâmetro prompt da API OpenAI Whisper: o campo prompt aceita até 224 tokens e funciona fazendo o modelo emular os padrões de grafia de tudo o que você incluir. Segundo o cookbook da OpenAI (verificado em julho de 2026), prompts em estilo de frase natural superam listas simples. Escreva "O engenheiro discutiu clusters Kubernetes e replicação PostgreSQL" em vez de "Kubernetes, PostgreSQL". O modelo copia as suas grafias. Ele não pode adicionar informações que não estejam no áudio, mas vai preferir fortemente as grafias que você deu a ele.

Vocabulário personalizado do AWS Transcribe: usa um formato de tabela de quatro colunas (Phrase, IPA, SoundsLike, DisplayAs) enviado ao S3. Até 100 arquivos de vocabulário por conta, 50 KB por arquivo, 256 caracteres por entrada. A variante médica (Amazon Transcribe Medical) suporta um vocabulário separado para termos clínicos, somente inglês americano.

O fluxo de trabalho para uma correção permanente em qualquer uma dessas opções:

1. Monte uma lista de 30 a 100 termos recorrentes no seu domínio.
2. Envie ou passe a lista para o recurso de vocabulário do seu motor.
3. A partir desse momento, toda transcrição nesse domínio se beneficia.
4. Revise e amplie a lista trimestralmente conforme o seu vocabulário evolui.

Ferramenta de transcrição de áudio processando gravações técnicas carregadas de jargão

Para fluxos de trabalho baseados em API, consulte a comparação das melhores APIs de fala para texto de 2026 para ver lado a lado quais motores lidam com vocabulário personalizado com o menor atrito.

Caminho 3: Treinamento de modelo específico de domínio (configuração pesada, melhor teto)

Para transcrição de volume muito alto em um único domínio, um modelo com fine-tuning supera dicas de vocabulário nos termos mais difíceis. É isso que o Deepgram Nova-3 Medical representa: um modelo pré-treinado em áudio clínico, não um modelo base com uma lista de vocabulário anexada. O AWS Transcribe Medical segue uma abordagem semelhante. O Azure Custom Speech permite treinar com o seu próprio áudio rotulado.

O ponto de inflexão de custo-benefício é aproximado: abaixo de cerca de 50.000 minutos por mês de áudio específico de domínio, o vocabulário personalizado em um modelo base forte é mais prático do que treinar um modelo. Acima disso, as trocas entre precisão e manutenção começam a favorecer um modelo com fine-tuning.

Para a maioria das equipes lendo isto, o Caminho 2 é a resposta.

Como construir uma boa lista de vocabulário

Uma lista bem construída compartilha características entre domínios, independentemente da ferramenta de transcrição.

Nomes de produtos e tecnologias

Todos os produtos mencionados nas suas conversas, incluindo os seus, os dos seus concorrentes e os dos seus fornecedores. "Kubernetes" e "K8s" podem precisar de entradas separadas, já que o modelo encontra cada um de forma foneticamente diferente. "PostgreSQL" e "Postgres" merecem entradas separadas pelo mesmo motivo.

Siglas exatamente como você quer que sejam escritas

Siglas técnicas que, de outra forma, o modelo expandiria ou deformaria. Escreva-as exatamente como devem aparecer na transcrição: "gRPC" e não "g-r-p-c", "SaaS" e não "sass", "DDoS" e não "duh-dos", "LLM" e não "elm". A coluna DisplayAs no AWS Transcribe e o formato de string nos keyterms da Deepgram permitem especificar a forma de saída com precisão.

Termos compostos e expressões de várias palavras

Expressões que o modelo pode separar incorretamente. "Desenvolvimento orientado a testes" passado como keyterm produz aquela frase exata, em vez de três palavras desconectadas. "Infarto do miocárdio" tratado como uma unidade transcreve de forma mais confiável do que cada palavra isoladamente.

Jargão especializado

Os termos que só os profissionais da sua área usam regularmente. Para segurança: padrões específicos de CVE, frameworks de exploit, nomes de protocolos. Para medicina: nomes de medicamentos pela designação clínica (não apenas os nomes comerciais), nomes de procedimentos, termos anatômicos. Para direito: frases em latim, doutrinas específicas, tipos de pedidos processuais.

Nomes que soam como palavras comuns

Alguns nomes de pessoas, empresas ou tecnologias colidem foneticamente com palavras comuns do inglês. "Apache", o projeto de servidor, em contraste com a palavra do cotidiano. "Vue", o framework JavaScript. "Rust", a linguagem de programação. "Swift", a linguagem. O modelo precisa de um viés forte para não interpretá-los pelos significados de dicionário.

Listas de referência por domínio

Estes são pontos de partida, não soluções completas. Leia a sua primeira transcrição e adicione tudo o que o modelo errou.

Engenharia de software

Kubernetes, k8s, PostgreSQL, Postgres, gRPC, GraphQL, Docker,
TypeScript, async/await, monorepo, microservices, OAuth, JWT,
SQLite, MongoDB, Cassandra, Kafka, Redis, Elasticsearch,
LangChain, OpenAI, Anthropic, Claude, GPT-4o,
WebAssembly, WASM, RAG, vector database, embedding

Medicina

electrocardiogram, ECG, EKG, echocardiogram, defibrillator,
endotracheal intubation, laparoscopic, cholecystectomy,
metformin, lisinopril, atorvastatin, amoxicillin, ondansetron,
hypertension, hyperlipidemia, hypothyroidism, diabetes mellitus,
osteoarthritis, atrial fibrillation, myocardial infarction

Jurídico

voir dire, habeas corpus, prima facie, mens rea, res ipsa loquitur,
amicus curiae, certiorari, en banc, stare decisis, sub judice,
deposition, interrogatory, subpoena, discovery, motion in limine,
summary judgment, demurrer, appellate, statute of limitations

Finanças

EBITDA, ARR, MRR, churn, LTV, CAC, IRR, NPV, IPO, SPAC,
revenue recognition, accrual basis, deferred revenue, GAAP, IFRS,
preferred stock, common stock, dilution, cap table, term sheet,
liquidation preference, anti-dilution, mezzanine

Para nomes próprios que pertencem a uma pessoa específica, e não a um domínio, o post sobre como corrigir nomes mal transcritos cobre o mesmo mecanismo com exemplos de nomes pessoais.

A escolha da ferramenta importa para trabalhos com muito jargão

Nem todas as ferramentas de transcrição expõem controles de vocabulário para usuários comuns. As ferramentas que valem a pena usar para domínios especializados:

Deepgram Nova-3 via API: o keyterm prompting é bem documentado e entra em vigor imediatamente a cada requisição. Sem etapa de upload, sem período de espera.

AssemblyAI via API: word_boost para lote, keyterms_prompt para streaming. Ambos são parâmetros no nível da requisição.

AWS Transcribe: os arquivos de vocabulário personalizado exigem um upload para o S3 e uma etapa de criação antes de ficarem utilizáveis, mas persistem e podem ser reutilizados entre jobs.

AWS Transcribe Medical: um produto separado com vocabulário clínico pré-carregado e suporte a inglês americano. O recurso de vocabulário personalizado médico se soma a essa base.

Google Cloud STT (Chirp 3): as frases de adaptação de fala são passadas por requisição, semelhante à Deepgram. O Chirp 3 é a geração atual em meados de 2026.

API OpenAI Whisper via parâmetro prompt: mais fraco do que recursos dedicados de vocabulário personalizado, mas com configuração zero. Útil quando a lista de jargão é curta (menos de 30 termos) e o prompt cabe em 224 tokens.

Ferramentas que vão sofrer independentemente do seu trabalho com vocabulário: ferramentas baseadas em navegador que usam a Web Speech API e qualquer serviço de plano gratuito que não exponha parâmetros de vocabulário algum.

Minha opinião: para uma equipe com vocabulário de domínio estável, o keyterm prompting do Deepgram Nova-3 é o caminho de menor atrito para ir de transcrições distorcidas por jargão a textos limpos. O vocabulário entra em vigor imediatamente, não exige etapa de upload e não custa nada além da taxa por minuto. Para medicina especificamente, o Nova-3 Medical é construído para esse propósito a ponto de frequentemente lidar com terminologia clínica sem nenhum termo personalizado.

Se você só precisa de uma transcrição limpa sem gerenciar uma integração de API, a ferramenta de áudio para texto do ConvertAudioToText suporta upload de arquivo para uma entrega direta. Use a saída corrigida para montar a sua lista de substituições e depois evolua para controles de vocabulário em nível de API assim que a sua lista de termos estabilizar.

Quando a IA ainda perde para um humano

Alguns jargões estão genuinamente fora do alcance da transcrição por IA, mesmo com controles de vocabulário:

• Nomes de medicamentos de ensaios clínicos posteriores ao corte temporal de treinamento de qualquer modelo.
• Subáreas restritas da engenharia em que o vocabulário nunca apareceu em nenhum corpus público de áudio (química de processos de semicondutores, por exemplo).
• Terminologia jurídica arcaica que aparece em poucas gravações modernas.

Para esses casos, um transcritor humano com conhecimento do domínio é a resposta honesta. O post sobre transcrição por IA versus humana aborda quando essa escalada faz sentido financeiro. Para todo o resto em 2026, vocabulário personalizado em um modelo base forte mais uma revisão manual leve produz resultados com qualidade de publicação.

Perguntas frequentes

Por que o modelo transcribe corretamente palavras comuns, mas falha em termos de domínio?

As estimativas de probabilidade do modelo vêm dos dados de treinamento dele. Palavras comuns do inglês aparecem milhões de vezes; termos de domínio aparecem raramente ou nunca. Quando o modelo ouve "Kubernetes", o sinal fonético corresponde mais fortemente a "cuban itties" na distribuição de treinamento do que ao termo correto, então a saída errada vence. Os controles de vocabulário sobrepõem esse viés ao reforçar explicitamente os termos-alvo.

A API do Whisper suporta vocabulário personalizado?

Não com um recurso dedicado de vocabulário. O parâmetro prompt (máximo de 224 tokens) aceita texto de exemplo, e o modelo tentará corresponder às grafias presentes no seu prompt. Escrever uma frase natural que use seus termos técnicos como eles devem aparecer ("A equipe migrou o cluster PostgreSQL para Kubernetes") é mais eficaz do que listar termos soltos. Para problemas sérios de jargão, Deepgram ou AssemblyAI com APIs de vocabulário adequadas são mais confiáveis.

Quantos termos devo colocar na minha lista de vocabulário?

Comece com os 20 a 30 termos que causaram mais erros na sua primeira transcrição. O Deepgram Nova-3 suporta até 500 tokens (~100 termos) por requisição. O streaming da AssemblyAI permite até 100 termos de 50 caracteres cada. Os arquivos do AWS Transcribe podem conter mais, mas listas de vocabulário maiores às vezes prejudicam a precisão em termos que não estão realmente presentes no áudio, então listas menores e focadas tendem a superar listas abrangentes.

O vocabulário personalizado ajuda com siglas ou apenas com palavras completas?

Ambos. Siglas costumam ser as entradas de maior valor porque o modelo frequentemente as expande ("SaaS" para "sass", "gRPC" para "g rpc"). Passe a sigla no formato exato de saída desejado: gRPC, DDoS, LLM. Em plataformas como o AWS Transcribe, onde você especifica um campo DisplayAs, você tem controle preciso sobre maiúsculas e pontuação na saída.

Fontes

• Documentação de Keyterm Prompting da Deepgram (verificada em julho de 2026): https://developers.deepgram.com/docs/keyterm
• Anúncio do Deepgram Nova-3 Medical: https://deepgram.com/learn/introducing-nova-3-medical-speech-to-text-api
• Post do blog sobre Streaming Keyterms Prompting da AssemblyAI: https://www.assemblyai.com/blog/streaming-keyterms-prompting
• Documentação de Custom Vocabularies do AWS Transcribe (verificada em julho de 2026): https://docs.aws.amazon.com/transcribe/latest/dg/custom-vocabulary.html
• Custom Vocabularies do AWS Transcribe Medical: https://docs.aws.amazon.com/transcribe/latest/dg/vocabulary-med.html
• Speech Adaptation do Google Cloud Speech-to-Text: https://docs.cloud.google.com/speech-to-text/docs/adaptation-model
• Guia de Prompting do Whisper da OpenAI: https://developers.openai.com/cookbook/examples/whisper_prompting_guide