Transcrição em tempo real vs. pós-reunião: prós e contras

Se a sua única entrega for um documento que você lê depois da chamada, use a transcrição em lote pós-reunião. Ela é mais precisa, mais barata de operar e lida melhor com a diarização de falantes. O streaming em tempo real é a escolha certa quando alguém precisa ler as palavras durante a própria conversa.

Essa frase cobre 80% das decisões. O restante deste post detalha os trade-offs para você lidar com os 20% restantes.

O que cada modo realmente faz

Transcrição em tempo real (streaming) envia o áudio a um modelo de fala em pequenos blocos, tipicamente de 100-250 ms. O modelo retorna texto parcial quase imediatamente, com um atraso geral de ponta a ponta de aproximadamente 300-850 ms atrás do falante. As palavras aparecem na tela enquanto o falante fala.

Transcrição pós-reunião (em lote) roda depois que a gravação é salva. Você faz upload de um arquivo (ou um bot grava a chamada), e o modelo processa o áudio completo. Uma chamada de 60 minutos normalmente fica pronta em 3-10 minutos, embora muitos provedores de API retornem resultados em menos de 2 minutos para arquivos de duração padrão.

A diferença arquitetural importa: os modelos de streaming processam o áudio sem saber o que vem a seguir. Os modelos em lote leem o arquivo inteiro e podem usar o contexto futuro para corrigir palpites anteriores.

A diferença de precisão

A diferença é real e mensurável. A Deepgram publicou números de WER para o modelo Nova-3 em um benchmark de 81 horas e nove domínios: o streaming atingiu um WER mediano de 6,84%, enquanto o lote no mesmo áudio chegou a 5,26%. Isso representa uma vantagem de cerca de 1,5 ponto percentual para o lote, o que se traduz em menos palavras erradas por parágrafo.

A diferença aumenta em áudios mais difíceis:

• Sotaques fortes ou falantes sobrepostos elevam o WER do streaming porque o modelo se compromete com um palpite antes de ouvir o contexto que esclareceria.
• Vocabulário técnico (nomes de produtos, termos médicos, jargão jurídico) é corrigido com mais frequência no modo lote, onde a frase ao redor está visível.
• O Whisper Large-v3, um dos modelos de código aberto mais precisos, foi projetado para processamento em lote. Executá-lo em modo pseudo-streaming exige soluções alternativas de fatiamento que degradam a precisão visivelmente em comparação ao processamento do arquivo completo.

Para conformidade com o Título II da ADA, a prática do setor mira precisão de legendas acima de 99%. Sistemas automatizados em tempo real normalmente alcançam 95-98% em áudio limpo. Essa diferença importa para fins legais: as legendas ao vivo integradas do Zoom entregam cerca de 80-90% de precisão em condições reais, bem abaixo do limite de 99%. O prazo de abril de 2026 do Título II da ADA (para entidades públicas com 50.000 ou mais pessoas) exige legendas ao vivo para sessões de vídeo ao vivo, mas a questão da precisão é separada da exigência legal de fornecê-las.

Para saber mais sobre como a precisão é medida e o que os números significam na prática, o explicador sobre precisão de transcrição cobre a matemática.

A diferença de diarização

Rotular falantes é mais difícil no modo streaming. Um modelo em lote vê a gravação completa quando atribui IDs de falantes, então pode agrupar vozes globalmente. Um modelo de streaming precisa adivinhar quem está falando a cada momento sem saber quem mais vai falar depois.

Na prática, a diarização em lote de dois falantes em uma gravação limpa roda com cerca de 95%+ de precisão. A diarização em tempo real no mesmo áudio cai para 80-90%, e algumas ferramentas "corrigem retroativamente" rótulos anteriores conforme novo áudio chega. Isso significa que um rótulo que você leu há 30 segundos pode mudar quando o modelo obtém mais contexto. Aceitável para uma transcrição final, desconcertante se você está acompanhando ao vivo.

O post sobre diarização de falantes explica por que o problema é arquiteturalmente difícil de resolver no modo streaming.

O controle de latência

As ferramentas de streaming permitem trocar latência por precisão. A maioria oferece algo como três modos:

Para legendas ao vivo em uma tela de apresentação, a latência média é o ponto ideal na prática. A plateia lê aproximadamente no ritmo do palestrante, as correções são pouco frequentes e a precisão é visivelmente melhor que no modo de baixa latência. Para participantes surdos acompanhando uma conversa acelerada, a baixa latência importa mais que a precisão, porque perder uma palavra é menos disruptivo do que ler uma legenda segundos depois de o momento ter passado.

Diferenças de custo

No nível da API, o lote é mais barato. A AssemblyAI cobra aproximadamente US$ 0,15/hora pela transcrição em lote e cerca de US$ 0,45/hora pelo streaming, um prêmio de 3x pelo tempo real. A Deepgram lista a Nova-3 com a mesma tarifa nominal por minuto para ambos os modos (US$ 0,0077/minuto pré-pago), mas o streaming adiciona custo de infraestrutura: você mantém uma conexão WebSocket persistente durante toda a chamada, o que exige mais capacidade de servidor do que processar um arquivo de forma assíncrona.

Para ferramentas de usuário final, os preços vêm embutidos nos planos de assinatura, então o custo por modo fica menos visível. Mas a economia aparece nas decisões de produto: o Otter.ai (que faz transcrição ao vivo) cobra a partir de US$ 8,33/usuário/mês (Pro, anual) por 1.200 minutos por mês. O Fireflies (focado no pós-reunião) começa em US$ 10/assento/mês (Pro, anual) com 8.000 minutos de armazenamento por assento. Ambos oferecem planos gratuitos.

Para um detalhamento mais aprofundado, veja a comparação de preços de transcrição.

Tabela de decisão

Quando o tempo real é a única opção

Três cenários genuinamente exclusivos do streaming:

1. Acessibilidade para um participante surdo em uma conversa ao vivo. O texto precisa aparecer durante a reunião, não depois.
2. Legendas ao vivo em um evento público ou webinar. Muitas jurisdições agora exigem isso. Legendas automáticas com 95-98% de precisão são amplamente usadas, embora fiquem aquém do padrão de 99%+ para conformidade estrita com a ADA, então eventos de alto risco frequentemente combinam legendas automáticas com um provedor humano de CART.
3. Assistência ou coaching de agente em tempo real. Um agente de suporte ou vendedor recebe sugestões, alertas ou sinalizações de conformidade com base no que o cliente diz durante a chamada. Isso não pode esperar até depois do fim da chamada.

Para todo o resto, lote com entrega rápida é o padrão.

Quando o lote é a escolha certa, apesar do pedido

Três pedidos comuns em que as pessoas pedem tempo real, mas na verdade querem lote rápido:

"Quero a transcrição pronta quando eu desligar." O processamento em lote rápido normalmente devolve uma chamada de 60 minutos em menos de cinco minutos. Isso geralmente é suficiente. Transmitir a mesma chamada em tempo real custa mais e produz uma transcrição menos precisa.

"Quero fazer anotações a partir das legendas ao vivo." Ler legendas enquanto escuta divide sua atenção. A maioria das pessoas acha mais eficaz deixar a reunião fluir e revisar a transcrição em lote depois, muitas vezes usando um resumo de IA para extrair os pontos principais.

"Quero pesquisar a chamada enquanto ela acontece." Tecnicamente possível, mas o caso de uso real é quase sempre "pesquisar a chamada depois", o que é um trabalho em lote sobre a gravação concluída.

A configuração profissional padrão

A maioria dos fluxos de trabalho em produção combina os dois em sequência:

1. Legendas ao vivo rodam durante a reunião para acessibilidade ou referência em tempo real.
2. A transcrição em lote roda sobre a gravação depois que a chamada termina, produzindo o documento canônico.

A saída em tempo real é tratada como efêmera. A saída em lote é o que é armazenado, editado, vinculado e usado posteriormente em resumos, itens de ação e acervos. Zoom, Google Meet e Microsoft Teams seguem todos esse padrão: legendas ao vivo durante a chamada, um arquivo de transcrição pós-chamada na gravação salva.

Para transcrição em lote de chamadas gravadas do Zoom, reuniões do Teams ou sessões do Google Meet, a ferramenta de transcrição de reuniões cuida do upload e retorna uma transcrição rotulada sem exigir um bot de reunião.

Se você só precisa de uma transcrição limpa a partir de uma gravação, o ConvertAudioToText recebe o arquivo diretamente, sem instalação de bot nem acesso à agenda.

Perguntas Frequentes

A transcrição em tempo real é menos precisa que a em lote?

Sim, por uma margem mensurável. A Nova-3 da Deepgram apresenta WER de 6,84% em streaming contra 5,26% em lote no mesmo áudio de benchmark, uma diferença de cerca de 1,5 ponto percentual. Em áudios mais difíceis (sotaques, conversas cruzadas, termos técnicos), a diferença aumenta, porque os modelos de streaming precisam se comprometer com cada palavra sem ver a frase seguinte.

Quanto atraso tem a transcrição em tempo real?

A latência de ponta a ponta da transcrição por streaming normalmente fica entre 300 e 850 ms. A maioria das ferramentas oferece uma configuração de latência: latência menor significa que as palavras aparecem mais rápido, mas com mais correções; latência maior (3-5 segundos) chega perto da precisão do lote enquanto ainda parece ao vivo na velocidade de leitura humana.

A transcrição em lote é mais barata que a em tempo real?

Geralmente sim, no nível da API. A AssemblyAI cobra aproximadamente 3x mais pelo streaming do que pelo lote. Alguns provedores, como a Deepgram, listam a mesma tarifa nominal por minuto, mas o streaming adiciona custo de infraestrutura por meio de conexões WebSocket persistentes que o lote evita com um simples upload de arquivo. Se você não precisa do texto durante a conversa, o lote é a escolha mais econômica.

O Zoom, o Meet e o Teams usam transcrição em tempo real ou em lote?

Ambos. As legendas ao vivo durante a chamada são streaming em tempo real. A transcrição pós-chamada salva junto com a sua gravação é processada em lote após o fim da reunião. A versão pós-chamada geralmente é mais precisa e inclui melhores rótulos de falantes. A maioria das plataformas de reunião trata a saída em lote como o registro oficial.

Quando a transcrição em tempo real é exigida legalmente?

O Título II da ADA (conforme atualizado) exige legendas ao vivo para sessões de vídeo ao vivo conduzidas por entidades públicas abrangidas, com prazo de conformidade de 24 de abril de 2026 para entidades que atendem 50.000 ou mais pessoas. Muitas jurisdições têm requisitos semelhantes para eventos públicos e radiodifusão. Legendas automáticas ao vivo normalmente alcançam 95-98% de precisão; conformidade estrita com a ADA mira 99%+, o que muitas vezes exige um provedor humano de CART para eventos de alto risco.

Fontes

• Deepgram, "Introducing Nova-3": https://deepgram.com/learn/introducing-nova-3-speech-to-text-api
• Deepgram Pricing: https://deepgram.com/pricing
• AssemblyAI, "Real-Time vs Batch Transcription": https://www.assemblyai.com/blog/real-time-vs-batch-transcription
• AssemblyAI Pricing: https://www.assemblyai.com/pricing
• Otter.ai Pricing: https://otter.ai/pricing
• Fireflies Pricing: https://fireflies.ai/pricing
• Interprefy, "Closed Captions Accuracy: Zoom vs Teams": https://www.interprefy.com/resources/blog/closed-captions-accuracy-zoom-teams
• BoxCast, "ADA Title II Captioning Requirements April 2026": https://www.boxcast.com/blog/how-to-comply-with-ada-title-ii-captioning-requirements-by-april-2026
• AssemblyAI, "The 300ms Rule: Why Latency Makes or Breaks Voice AI": https://www.assemblyai.com/blog/low-latency-voice-ai