Guia de transcrição de tailandês: escrita, tons e a realidade do ASR (2026)

A transcrição de tailandês funciona para a maioria dos áudios em tailandês central nos motores comerciais modernos. A saída que você obtém de uma ferramenta bem preparada é escrita tailandesa adequada, com as marcas tonais intactas. Para chegar lá, é preciso entender três propriedades específicas do idioma que nenhuma outra grande língua do Sudeste Asiático combina exatamente dessa forma: uma escrita sem espaços, um sistema de cinco tons codificado tanto em marcas explícitas quanto na classe das consoantes, e um sistema de registro em que as partículas de polidez mudam o caráter de cada enunciado.

Escrita tailandesa: o que o motor precisa processar

A escrita tailandesa (อักษรไทย) é um abugida escrito da esquerda para a direita, com 44 consoantes, 15 símbolos vocálicos básicos, quatro marcas tonais e nenhum espaço entre as palavras. Os símbolos vocálicos se anexam acima, abaixo, antes, depois ou ao redor da base consonantal. As marcas tonais ficam acima do empilhamento de consoantes. Isso é diferente dos alfabetos latinos em aspectos que importam para o ASR:

Uma frase como "eu quero comer arroz" é escrita "ผมอยากกินข้าว" como uma única sequência contínua de caracteres. O motor precisa gerar caracteres Unicode tailandeses na ordem correta, com a posição vocálica correta e as marcas tonais corretas. Uma ferramenta que romaniza a saída ("phom yak gin khao") produz um texto foneticamente sugestivo, mas inutilizável para leitores tailandeses. Saída em escrita nativa é o requisito básico para qualquer fluxo de trabalho sério com tailandês.

As consoantes do tailandês pertencem a uma de três classes (alta, média, baixa), e a classe determina o tom padrão de uma sílaba antes que qualquer marca tonal explícita seja aplicada. As marcas tonais explícitas (mai ek ่, mai tho ้, mai tri ๊, mai chattawa ๋) modificam ainda mais o tom dentro dessa regra de classe. Esse sistema em camadas significa que o tom é parcialmente estrutural e parcialmente explícito, o que é diferente de um idioma tonal como o mandarim, em que as marcas tonais são sempre diacríticos sobre as vogais.

O sistema de cinco tons e o ASR

O tailandês tem cinco tons: médio, baixo, descendente, alto e ascendente. O tom de uma sílaba não é apenas um diacrítico; ele é determinado pela interação entre classe consonantal, comprimento vocálico, estrutura silábica e qualquer marca tonal explícita. A palavra "ข้าว" (khâo, arroz) e "เข้า" (khâo, entrar) soam idênticas; o significado vem do contexto ao redor e da composição dos caracteres.

Para o ASR, isso cria um problema de discriminação. O motor escuta um contorno de pitch e precisa associá-lo à sequência correta de caracteres portadores de tom. Em áudio limpo de estúdio, os motores modernos lidam bem com isso no tailandês central padrão. Em áudio ruidoso, falantes sobrepostos ou fala informal em que os tons são reduzidos, erros na escolha dos caracteres portadores de tom são mais prováveis.

A boa notícia: quando os motores comerciais geram escrita tailandesa nativa, as marcas tonais aparecem corretamente para os caracteres que eles produzem. A questão é se os próprios caracteres estão corretos, não se as marcas estão anexadas adequadamente.

Segmentação de palavras: o problema cumulativo

A ausência de espaços entre as palavras é o desafio estrutural que torna o tailandês mais difícil de pós-processar do que qualquer idioma delimitado por espaços. Um sistema de ASR precisa simultaneamente reconhecer fonemas, mapeá-los para caracteres tailandeses e decidir onde caem os limites das palavras.

Os erros se acumulam em duas direções. Se o motor confunde uma sílaba, pode selecionar uma sequência de caracteres que altera onde uma palavra válida termina. Se a segmentação está errada, as ferramentas posteriores (verificação ortográfica, extração de palavras-chave, indexação de busca) operam sobre unidades de token incorretas.

A escrita tailandesa padrão usa espaços, mas eles marcam limites de frases, não limites de palavras. Dentro de uma frase, as palavras correm juntas. Os leitores dependem do contexto e do conhecimento lexical para interpretar corretamente. Os motores replicam esse processo usando uma combinação de modelagem acústica e priors de modelo de linguagem treinados em grandes corpora tailandeses.

Para leitura e publicação, você obtém uma saída que parece texto tailandês normal — a convenção sem espaços é o que os leitores tailandeses esperam. Para tarefas posteriores de PLN (indexação de busca, análise de sentimento, pipelines de processamento de linguagem), você precisa de marcadores explícitos de limite de palavra, o que exige uma ferramenta separada de segmentação de palavras tailandesas, como PyThaiNLP, aplicada à saída da transcrição.

Registro e partículas de polidez

O tailandês tem um sistema formal de registro expresso em parte por meio de partículas de polidez no final das frases. Homens usam ครับ (khráp) no fim das frases; mulheres usam ค่ะ (khâ, tom descendente) em afirmações e คะ (khá, tom alto) em perguntas. Omitir essas partículas desloca a fala para um registro casual ou até rude, dependendo do contexto. Conteúdo tailandês formal e voltado ao público quase sempre as inclui.

Para a transcrição, essas partículas importam porque aparecem com frequência — muitas vezes várias vezes por minuto na fala educada — e carregam distinções tonais próprias. ค่ะ e คะ diferem apenas pelo tom e pelo contexto; usar a errada é um erro de registro. Motores treinados em corpora formais de tailandês lidam bem com elas. Motores com menos dados de treinamento em tailandês podem confundi-las ou omiti-las.

O tailandês técnico e empresarial também contém grandes quantidades de empréstimos do inglês adaptados fonologicamente à pronúncia tailandesa. "Schedule" vira uma adaptação à fonologia tailandesa; nomes de marcas aparecem em caracteres tailandeses ou permanecem em inglês, dependendo do falante. Os motores modernos geralmente lidam razoavelmente bem com a alternância de código: palavras tailandesas voltam em escrita tailandesa, inserções em inglês voltam em inglês. Verifique isso no seu áudio específico antes de se comprometer com um fluxo de trabalho.

A realidade dos dialetos

O tailandês central (padrão de Bangkok, usado na mídia, na educação e no governo) é a variedade em que a maioria dos motores foi treinada e na qual têm melhor desempenho. Três grandes variedades regionais são significativamente diferentes:

Tailandês do norte (Lanna / Kammeuang): às vezes classificado como um idioma separado. Tem inventário tonal diferente e vocabulário distinto. Os dados de treinamento para ASR específico do Lanna são limitados. Uma pesquisa publicada no início de 2026 (MDPI Applied Sciences) desenvolveu um sistema de reconhecimento de fala para o dialeto do norte do tailandês justamente porque motores de uso geral treinados no tailandês central têm desempenho ruim nele.

Tailandês do nordeste (Isan): intimamente relacionado ao laosiano. Resultados de benchmark do Typhoon ASR (um modelo especializado em tailandês) mostram cerca de 10-11% de taxa de erro de caracteres em conteúdo Isan mesmo com um modelo dedicado. Motores comerciais ocidentais de uso geral provavelmente são piores. A semelhança entre Isan e laosiano também significa que a detecção automática de idioma pode classificar erroneamente gravações em Isan como laosiano.

Tailandês do sul (Pak Tai): contornos tonais distintos do tailandês central. A população menor de falantes significa menos dados de treinamento na maioria dos modelos.

Para conteúdo em dialetos regionais, a linha de base honesta é: tailandês central, bem. Variedades regionais, variável, e você deve testar com uma amostra curta antes de se comprometer com um fluxo de trabalho. Este não é um problema de escassez de dados de treinamento na escala das línguas africanas de poucos recursos (veja por que a IA tem dificuldade com idiomas de poucos recursos para essa comparação); é um problema de divergência dialetal com uma maioria sub-representada.

Como os principais motores lidam com o tailandês em 2026

A tabela abaixo reflete informações atuais verificadas da documentação dos fornecedores e de benchmarks independentes. Percentuais de precisão por ferramenta para o seu áudio específico não são listados porque nenhum benchmark único cobre todas as variações (qualidade do áudio, dialeto, domínio, número de falantes) que determinam a precisão real.

Algumas observações sobre o que a tabela mostra:

O Otter não suporta tailandês. Se um fluxo de trabalho depende do Otter, conteúdo em tailandês precisa de uma ferramenta separada.

A iApp Technology é um fornecedor especializado em tailandês com um benchmark de precisão publicado em um conjunto de dados padrão. Seu modelo de preços baseado em créditos (1 IC/minuto no plano base, 2 IC/minuto no Pro; cerca de 53-107 THB por hora em tarifas de atacado, mais 7% de IVA) é o modelo relevante para uso profissional de tailandês em alto volume na Tailândia. Contas novas recebem 60 créditos gratuitos.

A expansão do Nova-3 da Deepgram para o tailandês é sua melhoria mais recente, com alegação de redução relativa de WER de 69% em relação ao Nova-2 no modo streaming. Streaming é o benchmark mais exigente, então a melhoria é real mesmo que o ponto de partida absoluto fosse alto.

O Whisper large-v3 base foi avaliado independentemente com 18-26% de CER para tailandês, o que representa uma degradação significativa em comparação ao inglês. Variantes do Whisper ajustadas para tailandês (como o Typhoon Whisper large-v3) podem alcançar 4-6% de CER em benchmarks padrão com curadoria adequada de dados, mas você precisa de um modelo ajustado, não do modelo base.

Para uma visão mais ampla de como os motores se comparam em preços, veja a comparação de preços de APIs de fala para texto.

Fluxos de trabalho práticos para conteúdo em tailandês

Definir o idioma explicitamente: sempre especifique tailandês (th ou th-TH, dependendo da API). A detecção automática torna a confusão Isan/laosiano mais provável e adiciona uma etapa de processamento com sua própria taxa de erro.

Fornecer contexto de nomes próprios quando a ferramenta permitir: nomes de pessoas tailandesas, nomes de distritos de Bangkok, nomes de empresas tailandesas e nomes de províncias são transcritos em escrita tailandesa pela maioria dos motores. Se a sua plataforma suporta um glossário ou prompt de palavras-chave, alimente-o com os nomes que aparecem com frequência. Nomes tailandeses em contexto romanizado (por exemplo, em e-mails que você está citando) podem precisar de uma revisão.

Para tailandês técnico e científico: muitos termos são empréstimos do inglês que falantes tailandeses pronunciam com fonologia tailandesa. O motor pode devolvê-los em escrita tailandesa fonologizada, em inglês ou de forma inconsistente. Uma revisão de terminologia é prática padrão.

Para entrevistas com vários falantes tailandeses: a precisão da diarização de falantes para tailandês formal com dois falantes é razoável nos motores comerciais. Conversa casual com fala sobreposta e falantes de Isan ou tailandês do sul é mais difícil. Considere gravar com microfones separados se a qualidade da diarização importa. Para saber mais sobre fluxos de trabalho de entrevistas, veja como transcrever uma gravação de entrevista.

Para legendas SRT: o Unicode tailandês renderiza corretamente no YouTube, Vimeo e na maioria das plataformas de vídeo modernas. Exporte o SRT da sua ferramenta de transcrição e envie diretamente. O gerador de legendas lida com a escrita tailandesa no arquivo de saída. A posição das quebras de linha é automática e segue a estrutura de frases do tailandês.

Para notas de episódios de podcast: a saída de resumo por IA em tailandês varia significativamente conforme a ferramenta. Ferramentas que rodam seu resumo sobre uma transcrição em tailandês podem retornar marcadores de capítulos em tailandês e citações destacadas se o modelo de resumo delas suportar tailandês. Vale testar especificamente, porque algumas ferramentas que transcrevem tailandês resumem somente em inglês. Para fluxos de trabalho específicos de podcast, veja melhor transcrição para podcasts.

Minha opinião: para a maior parte do trabalho de produção de conteúdo em tailandês, a escolha fica entre um fornecedor especializado em tailandês (iApp para tailandês profissional em alto volume na Tailândia, preços baseados em créditos, benchmarks conhecidos) e uma API comercial multilíngue (Deepgram Nova-3 ou AssemblyAI Universal-2, melhor para fluxos multilíngues ou quando você também precisa de inglês e outros idiomas no mesmo pipeline). O Whisper base sozinho não é a ferramenta certa para transcrição de tailandês em produção, dados os benchmarks de 18-26% de CER.

Se você precisa de uma transcrição limpa em tailandês sem integração de API ou configuração de bot de reunião, o ConvertAudioToText processa arquivos de áudio em tailandês diretamente, com saída em escrita nativa.

FAQ

O Otter.ai suporta transcrição de tailandês?

Não. O Otter transcreve apenas em inglês, espanhol, francês, alemão, japonês e chinês. O tailandês não é um idioma suportado em nenhum plano do Otter até meados de 2026.

Por que a saída do ASR em tailandês às vezes perde os limites das palavras?

O tailandês é escrito sem espaços entre as palavras. Os motores de ASR precisam aplicar uma etapa de segmentação de palavras sobre o reconhecimento de fala. Os erros se acumulam: uma sílaba mal compreendida desloca onde o tokenizador posiciona os limites, e limites errados mudam o significado das palavras. Motores bem treinados lidam bem com o tailandês padrão; os menos treinados produzem sequências contínuas que exigem limpeza manual.

Os motores de IA preservam as marcas tonais tailandesas na saída da transcrição?

Os motores comerciais que geram escrita tailandesa nativa geralmente preservam as marcas tonais, porque geram caracteres Unicode tailandeses diretamente em vez de representações fonéticas. O risco ocorre quando uma ferramenta gera transliteração romanizada em vez de escrita tailandesa: essa representação perde completamente a informação tonal e não é útil para leitores tailandeses.

Qual é a precisão da transcrição de tailandês para dialetos regionais como o tailandês do norte ou o Isan?

Consideravelmente menor do que para o tailandês central. Benchmarks de pesquisa mostram que o ASR para Isan apresenta cerca de 10-11% de taxa de erro de caracteres mesmo em modelos especializados, e o tailandês do norte (Lanna) tem um conjunto limitado de dados de treinamento, o que significa que a maioria dos motores foi treinada principalmente no tailandês central. Espere de 5 a 15 pontos percentuais menos de precisão nas variedades regionais em comparação com a fala no padrão de Bangkok.

Com quais idiomas os motores de transcrição por IA costumam confundir o tailandês?

O laosiano é o alvo de confusão mais comum. O tailandês e o laosiano compartilham semelhanças significativas de escrita e sobreposição fonológica. A detecção automática pode rotular erroneamente o tailandês do nordeste (Isan), que é intimamente relacionado ao laosiano, como áudio em laosiano. Sempre defina o idioma explicitamente como tailandês em vez de usar a detecção automática para conteúdo em tailandês.

Fontes

• Preços do Otter.ai, detalhes dos planos e idiomas suportados verificados em julho de 2026
• Preços do Notta, detalhes do plano gratuito e do plano Pro
• Preços da iApp Technology, faixas de preços por crédito
• iApp SpeechFlow, benchmarks de precisão no Common Voice 17
• Idiomas suportados pela AssemblyAI, classificação de nível do idioma tailandês
• Expansão do Deepgram Nova-3 para a Ásia-Pacífico, alegações de melhoria de WER em streaming para tailandês
• Precisão do Whisper por idioma (novascribe), benchmarks de CER Tier-3 para tailandês
• Typhoon ASR (arxiv), benchmarks de CER para Isan e dialetos
• MDPI Applied Sciences, ASR para o dialeto do norte do tailandês, pesquisa específica sobre Lanna, 2026