Transcrição em japonês com kanji: um guia para 2026

O áudio em japonês é transcrito em três sistemas de escrita simultaneamente, e acertar os três é o que separa uma transcrição utilizável de uma legível. Quando um falante diz "kyou wa hareru deshou", a forma escrita correta é "今日は晴れるでしょう", não "きょうはれるでしょう". Ambas representam os mesmos sons. Só uma é como o japonês é realmente escrito.

Este post aborda como a IA lida com a camada de escrita, a camada de registro e a camada de dialeto na transcrição de japonês em 2026, e o que procurar ao escolher uma ferramenta.

O Problema dos Três Sistemas de Escrita

O japonês é escrito com três sistemas que coexistem:

• Kanji são caracteres de origem chinesa usados para palavras de conteúdo, nomes de lugares e verbos (共有する, 東京, 行く).
• Hiragana cuida das terminações gramaticais, partículas e palavras funcionais (は, が, です, ている).
• Katakana é usado para palavras emprestadas e nomes próprios estrangeiros (マーケティング, アジェンダ, コーヒー).

Uma transcrição adequada usa os três nos lugares certos. Uma transcrição toda em hiragana é o equivalente mecânico de escrever inglês sem maiúsculas ou pontuação: tecnicamente decifrável, mas não pronta para produção.

Sistemas de fala para texto mais antigos ou mais leves às vezes geram tudo em hiragana ou tudo em katakana. Isso era comum nas primeiras APIs de nuvem e ainda aparece em variantes pequenas do Whisper (tiny, base). O Whisper Large-v3, o Deepgram Nova-3 e o AssemblyAI Universal-3 Pro todos geram japonês padrão com escrita mista a partir de 2026, verificado contra a documentação de idiomas publicada por eles.

Sem Espaços e a Camada de Tokenização

Palavras em inglês são separadas por espaços. Japonês não é. A frase "今日は東京に行きます" não tem nenhuma fronteira de palavra marcada no texto. Isso cria um desafio fundamental a montante: antes de a IA conseguir gerar o kanji certo, ela precisa segmentar fluxos contínuos de fonemas nos morfemas corretos e depois atribuir a forma escrita certa.

Modelos modernos de ponta a ponta lidam com isso implicitamente, mas explica por que os erros de ASR em japonês parecem diferentes dos erros em inglês. Um erro em inglês substitui uma palavra por outra. Um erro em japonês muitas vezes produz uma sequência de caracteres que parece plausível, mas é um kanji errado, uma palavra real com significado diferente, ou uma combinação que não existe no idioma.

Desambiguação de Homófonos: O Subproblema Mais Difícil

O japonês tem um grande número de homófonos: palavras que soam idênticas, mas são escritas com kanjis diferentes e carregam significados distintos. A palavra "kikan" pode ser 期間 (período de tempo), 機関 (motor ou instituição), 器官 (órgão) ou 帰還 (retorno), entre outras. O significado do falante fica óbvio pelo contexto. A IA precisa usar esse contexto para escolher o kanji certo.

Modelos grandes resolvem a maioria dos homófonos comuns corretamente. O Whisper Large-v3 corrige erros de homófonos que o Whisper Small produz na mesma entrada. O modo de falha se restringe a vocabulário técnico, palavras compostas raras e nomes próprios (especialmente sobrenomes japoneses, onde o mesmo kanji pode ter múltiplas leituras válidas).

Uma solução prática: forneça um glossário de termos específicos do domínio e nomes próprios antes de transcrever. A maioria das ferramentas profissionais aceita uma dica de vocabulário ou entrada de prompt que orienta o modelo para o kanji correto em termos especializados recorrentes.

Para um olhar mais profundo sobre por que o tamanho do modelo importa para idiomas como o japonês, veja a discussão sobre fatores de precisão de transcrição.

On'yomi, Kun'yomi e Polifonia

A maioria dos kanji tem pelo menos dois sistemas de leitura: on'yomi (a pronúncia de origem chinesa, geralmente usada em palavras compostas) e kun'yomi (a pronúncia nativa japonesa, geralmente usada quando o kanji aparece sozinho ou com terminações em hiragana). O kanji 水 lê-se "sui" em 水曜日 (quarta-feira) e "mizu" quando aparece sozinho, significando água. O contexto normalmente determina a leitura sem ambiguidade, mas para os caracteres mais ambíguos (pesquisadores contam várias centenas com leituras genuinamente dependentes do contexto), até modelos grandes ocasionalmente escolhem a errada.

Esse é um problema diferente dos homófonos. Aqui, tanto o som quanto a forma escrita estão corretos, mas o modelo produz o caractere errado para o contexto. Esses erros são relativamente raros em modelos grandes contemporâneos, mas continuam mais frequentes em compostos de kanji de baixo recurso e nomes próprios, onde os dados de treinamento são mais escassos.

Keigo: A Camada de Registro

O japonês tem três registros honoríficos usados em contextos de negócios e formais:

• Sonkeigo eleva o sujeito de uma ação (a outra pessoa faz algo importante). "Irasshaimasu" em vez de "kimasu" para "vir".
• Kenjougo rebaixa o falante (o falante faz algo humildemente para a outra pessoa). "Itashimasu" em vez de "shimasu" para "fazer".
• Teineigo é a forma educada padrão, usada na maioria da fala de negócios. Terminações "desu" e "masu".

Uma reunião de negócios japonesa alterna entre os três dependendo da hierarquia dos falantes e da ação descrita. Isso torna o áudio formal japonês mais variado em vocabulário do que o equivalente em inglês, mesmo quando o tópico é o mesmo.

A transcrição por IA preserva o keigo ao preservar exatamente o que o falante disse. O modelo não achata "irasshaimasu" para "kimasu". O risco é o modelo errar a forma verbal em áudio ruidoso ou contextos incomuns, não substituir por um equivalente menos formal. A fala polida padrão (teineigo) é tratada de forma confiável pelos três principais mecanismos. Construções complexas de sonkeigo em discursos cerimoniais altamente formais, linguagem ritual acadêmica ou certos dialetos regionais podem apresentar erros ocasionais e se beneficiam de uma revisão editorial leve.

Para empresas japonesas, isso importa porque o gijiroku (議事録), a ata formal de reunião esperada na cultura corporativa japonesa, é um documento com peso quase jurídico. Uma transcrição que achata a camada de keigo perde informações que leitores japoneses extraem da escolha de palavras para entender quem estava sendo deferente com quem.

Empréstimos em Katakana e Latim Inline Misturado

O áudio de negócios e tecnologia no Japão mistura constantemente japonês nativo com empréstimos e siglas. A forma escrita correta segue regras previsíveis:

• Palavras de origem inglesa viram katakana: "marketing" vira マーケティング, "agenda" vira アジェンダ.
• Siglas em latim inline permanecem em escrita latina: OKR, KPI, SaaS, PR.
• Alguns termos flutuam entre os sistemas (マーケター vs marketing manager, ambos aparecem na prática).

Um mecanismo de transcrição que funciona corretamente para áudio de negócios japonês produz katakana para empréstimos reconhecidos e preserva a escrita latina para siglas. Mecanismos que transliteram tudo para kana ou que convertem empréstimos de volta para inglês produzem saída fora do padrão.

Minha opinião: o tratamento de katakana é um dos testes rápidos mais claros para uma ferramenta de transcrição japonesa. Envie 30 segundos de uma reunião de startup de tecnologia e verifique se "platform" volta como プラットフォーム ou algo fora do padrão. A maioria das ferramentas com modelos grandes passa nesse teste. APIs menores ou mais antigas não passam.

Pontuação: Largura Total ou Errada

O japonês usa caracteres de pontuação diferentes do texto ocidental:

• 、 (toten) é a vírgula.
• 。 (kuten) é o ponto final.
• 「」 são aspas para fala.
• 『』 são usadas para citações aninhadas ou títulos.

Uma transcrição que retorna "今日は晴れです, 散歩しました." com vírgulas e pontos ocidentais está incorreta segundo os padrões tipográficos japoneses. Na tradição original de escrita vertical (tategaki, onde o texto corre de cima para baixo em colunas), esses caracteres também giram e se posicionam de forma diferente do texto horizontal, mas a maioria das transcrições digitais é gerada em formato horizontal (yokogaki).

Mecanismos bem suportados produzem automaticamente pontuação japonesa de largura total quando o idioma está configurado como japonês. Se a sua transcrição sair com pontuação ocidental, verifique a configuração de seleção de idioma antes de assumir uma limitação do modelo.

Precisão de Dialeto

O japonês tem variação dialetal regional notável. Os mecanismos são treinados principalmente no japonês padrão de Tóquio (o dialeto usado nas transmissões da NHK e na maioria da mídia formal).

O japonês padrão de Tóquio e a fala formal estilo NHK transcrevem com mais precisão em todos os mecanismos principais. O dialeto Kansai (Osaka, Kyoto, Kobe) tem padrões de acento de tom e vocabulário distintos que diferem do padrão de Tóquio, e a precisão cai em relação ao japonês padrão. Os dialetos de Tohoku e Kyushu apresentam desafios adicionais. Nenhum dos grandes mecanismos internacionais oferece atualmente modelos específicos para variedades regionais do japonês.

Para conteúdo em Kansai-ben forte, planeje mais tempo de edição do que você gastaria com uma palestra ou reunião de negócios no padrão de Tóquio. As estruturas centrais de kanji e gramática geralmente saem corretas; os erros se concentram no vocabulário específico do dialeto e nas fronteiras fonêmicas derivadas do acento de tom, onde os dados de treinamento da IA são menos densos.

Quais Mecanismos Realmente Suportam Japonês Bem (2026)

Três mecanismos têm suporte documentado para japonês com saída adequada de escrita mista a partir de meados de 2026:

Whisper Large-v3 (OpenAI): o modelo mais usado para transcrição de japonês em contextos de código aberto e hospedados. Gera texto japonês correto na mistura de escritas. A taxa de erro por homófonos aumenta conforme o modelo fica menor (base, small, medium). Precisa de uma dica de idioma na chamada da API para evitar a detecção automática mais lenta. Veja preços e comparação de modelos do Whisper para contexto de custo.

Deepgram Nova-3: o japonês está incluído no modelo multilíngue Nova-3. A documentação publicada da Deepgram confirma que o Nova-3 lida com a mistura de kana, kanji e pronúncia de empréstimos, e acompanha o ritmo silábico especificamente para o japonês. Disponível no endpoint geral nova-3 com language=ja.

AssemblyAI Universal-3 Pro: suporta japonês em transcrição assíncrona com diarização de falantes verificada (a diarização para japonês foi adicionada junto com chinês, hindi, coreano e vietnamita). O modelo Universal-3 Pro cobre 99 idiomas. O suporte a streaming em tempo real para japonês é mais limitado que o assíncrono em meados de 2026. Veja melhores APIs de speech-to-text para uma comparação mais completa de mecanismos.

Os três lidam corretamente com empréstimos em katakana, pontuação japonesa e formas verbais de keigo. A diferença aparece na precisão de homófonos na cauda da distribuição, na robustez a dialetos e no modelo de preço.

Para áudio em japonês com identificação de falantes (reuniões, entrevistas), veja diarização de falantes explicada para entender como os modelos subjacentes lidam com a estrutura de turnos no japonês.

Comparando Ferramentas para Transcrição em Japonês

A conversa formal em japonês é mais estruturada que em inglês, com turnos de fala mais claros em contextos formais. Isso geralmente ajuda na qualidade da diarização. Abaixo está uma comparação de ferramentas com suporte documentado a japonês, com preços atuais em julho de 2026.

| Recurso | Otter.ai | Notta | Trint | CATT | |---|---|---|---|---|---| | Transcrição em japonês | Sim (adicionado no fim de 2025) | Sim | Não documentado | Sim | | Resumo em IA para japonês | Limitado (recurso mais novo) | Sim (idioma listado) | Não | Sim | | Plano gratuito | 300 min/mês | 120 min/mês (limite de 5 min/arquivo) | Nenhum (teste de 7 dias, 3 arquivos) | 10 min uma vez (10 min/arquivo) | | Preço inicial pago | US$ 16,99/mês (ou US$ 8,33/mês no anual) | US$ 13,99/mês (ou US$ 8,17/mês no anual) | ~US$ 80/usuário/mês (anual) | US$ 9,99/mês | | Diarização em japonês | Sim | Sim | Sim | Sim |

A Notta é a concorrente mais claramente documentada para resumos em IA em japonês e tem o japonês como mercado-alvo principal. A Otter expandiu para o japonês no fim de 2025 e oferece chat em idioma nativo. A Trint é uma ferramenta forte de jornalismo para inglês, mas não tem saída documentada de resumos em japonês.

Se você só precisa de uma transcrição limpa e saída estruturada sem se comprometer com um ecossistema completo de bot de reuniões, o ConvertAudioToText processa arquivos de áudio em japonês diretamente, sem instalar extensão de navegador.

Diarização de Falantes para Japonês

A conversa formal em japonês é estruturada por turnos. Reuniões de negócios com keigo seguem um protocolo claro: os falantes esperam a conclusão do turno, especialmente ao se dirigir a superiores. Essa estrutura previsível de turnos geralmente ajuda na precisão da diarização para áudio formal em japonês, se comparada a conversas casuais com muita sobreposição.

Entrevistas formais com dois falantes e ligações de negócios individuais tendem a ter a diarização mais precisa. Reuniões maiores em grupo (quatro ou mais falantes) com vozes sobrepostas ou várias pessoas com registro vocal parecido apresentam os mesmos desafios que em qualquer idioma.

Gravação por microfone individual (faixas de áudio separadas por falante) melhora bastante a diarização em todas as ferramentas. A maioria das gravações profissionais em estúdio no Japão e muitas ferramentas de reunião corporativa oferecem saída por faixa.

Dicas para Melhor Resultado na Transcrição de Japonês

1. Defina o idioma explicitamente como ja (japonês). A detecção automática funciona, mas adiciona latência e, de vez em quando, erra ao identificar japonês com muitos empréstimos do inglês como parcialmente inglês.

2. Forneça um glossário de nomes próprios. Nomes japoneses têm várias leituras válidas em kanji e os modelos adivinham com base na frequência. "Watanabe" pode ser 渡辺, 渡邊 ou 渡部. Fornecer a forma correta evita erros consistentes de substituição de kanji em nomes recorrentes.

3. O japonês tem fricativas suaves (し, ち, つ) que se degradam mais com ruído de fundo do que consoantes sonoras. Gravações com pouco ruído melhoram a precisão na escolha de kanji para caracteres foneticamente parecidos.

4. Para transcrição de podcasts especificamente, o idioma de saída importa para o uso posterior. Notas de programa e SEO em japonês têm melhor desempenho no japonês nativo do que num resumo em inglês que exige tradução manual.

5. Para gijiroku (atas de reunião), planeje uma revisão editorial leve em trechos com muito sonkeigo, já que as construções honoríficas mais formais ainda apresentam erros ocasionais do modelo em sobreposição de falas múltiplas.

Perguntas Frequentes

Quais mecanismos de IA geram kanji corretos em transcrições em japonês?

Whisper Large-v3, Deepgram Nova-3 e AssemblyAI Universal-3 Pro produzem saída com escrita mista, incluindo kanji, hiragana e katakana. Modelos mais antigos ou menores às vezes caem em saída só com hiragana, que é tecnicamente legível, mas não é como o japonês é realmente escrito. Se sua ferramenta retornar apenas saída fonética, troque para um desses três.

Como a IA decide qual kanji usar quando vários kanji têm o mesmo som?

O contexto é o sinal principal. A palavra "hashi" pode significar ponte (橋), pauzinhos (箸) ou borda (端), dependendo das palavras ao redor. Modelos grandes treinados com bastante texto em japonês aprendem bem essas combinações. Modelos menores cometem mais erros de homófonos, especialmente em compostos de kanji de baixa frequência. Fornecer um glossário de vocabulário com nomes e termos técnicos reduz erros em termos que o modelo pode não ter visto com frequência.

A transcrição por IA preserva as formas de keigo (honoríficos)?

A transcrição por IA preserva o que o falante diz, então as formas verbais de sonkeigo e kenjougo aparecem na transcrição exatamente como foram faladas. O risco está na identificação errada da própria forma verbal, não na substituição por um equivalente na forma neutra. A forma polida padrão (teineigo) é tratada de forma confiável. Construções honoríficas complexas em discursos formais de negócios ou cerimônias podem, ocasionalmente, apresentar erros, então conteúdo com muito keigo se beneficia de uma revisão editorial leve.

Qual é a precisão da transcrição de japonês para dialetos regionais como o Kansai-ben?

O japonês padrão de Tóquio (o registro usado em transmissões da NHK e na maioria dos contextos empresariais) é transcrito com maior precisão. O dialeto de Kansai, com seu padrão distinto de acento de pitch e vocabulário, reduz a precisão em comparação ao japonês padrão na maioria dos mecanismos. Os dialetos de Tohoku e Kyushu apresentam desafios ainda maiores. Nenhum mecanismo atual tem um modelo específico para Kansai. Para conteúdo com muito dialeto, planeje mais tempo de edição do que você gastaria com japonês padrão.

Que pontuação uma transcrição correta em japonês usa?

Uma transcrição correta em japonês usa 、 (toten) como vírgula, 。 (kuten) como ponto final e 「」 para citações diretas. Vírgulas e pontos finais ocidentais em texto japonês são não padronizados. Se sua ferramenta retornar "こんにちは, 今日は晴れです." com vírgula e ponto final ocidentais, a pontuação está errada. Mecanismos bem suportados produzem automaticamente a pontuação japonesa correta em largura total.

Posso obter resumos em IA em japonês em vez de inglês?

Nem todas as ferramentas produzem resumos nativos em japonês. A Notta suporta resumos em língua japonesa como um recurso documentado e tem o japonês como um de seus principais mercados-alvo. A Otter expandiu para o japonês no final de 2025, mas a profundidade de seus resumos em japonês é mais recente que sua oferta principal em inglês. A Trint não produz resumos em japonês. Se a saída em língua japonesa para resumos e itens de ação for um requisito, verifique a documentação do fornecedor antes de se comprometer com um plano.

Fontes

• Anúncio da expansão do Otter.ai no Japão (Business Wire, outubro de 2025): https://www.businesswire.com/news/home/20251022574971/en/Konnichiwa-Otter.ai-Expands-to-Japanese-Market-with-New-Japanese-Language-Support-for-AI-Meeting-Agent
• Página de preços do Otter.ai: https://otter.ai/pricing
• Página de preços do Notta: https://www.notta.ai/en/pricing
• Documentação de idiomas suportados do Notta: https://support.notta.ai/hc/en-us/articles/4403155631131-What-languages-does-Notta-support
• Preços do Trint (Capterra): https://www.capterra.com/p/179896/Trint/pricing/
• Visão geral de modelos e idiomas do Deepgram: https://developers.deepgram.com/docs/models-languages-overview
• Anúncio do Deepgram Nova-3 multilíngue: https://deepgram.com/learn/nova-3-multilingual-major-wer-improvements-across-languages
• Idiomas suportados pelo AssemblyAI: https://www.assemblyai.com/docs/supported-languages
• Diarização do AssemblyAI em japonês (Newsletter 37): https://www.assemblyai.com/blog/assemblyai-newsletter-37
• Discussão sobre kanji no GitHub do OpenAI Whisper: https://github.com/openai/whisper/discussions/204
• Sociedade de Publicação do Dicionário de Kanji sobre homófonos japoneses: https://kanji.org/japanese/writing/japhom.htm
• Cultura corporativa do Gijiroku: https://kimi.wiki/work/gijiroku
• Página de preços do ConvertAudioToText: https://convertaudiototext.com/pricing