Avaliação de ferramentas de reconhecimento automático de fala visando aplicações em educação inclusiva

Abstract

Apresenta-se neste artigo uma análise do desempenho de ferramentas de reconhecimento automático de fala (ASR) voltadas para a transcrição de áudios em português. O estudo surgiu a partir do crescimento do uso de soluções baseadas em inteligência artificial em atividades acadêmicas e profissionais que dependem da conversão de fala em texto. O principal objetivo foi comparar diferentes ferramentas de transcrição, observando aspectos como precisão dos resultados, tempo de processamento e comportamento em diferentes condições de áudio. Para a realização dos testes foram utilizados arquivos com variações de duração, qualidade sonora e presença de ruídos, buscando aproximar a análise de situações reais de uso. As transcrições obtidas foram comparadas com textos de referência para identificar erros, limitações e pontos positivos de cada solução avaliada. Durante a análise, foi possível perceber que a qualidade do áudio influencia diretamente no desempenho das ferramentas, principalmente em gravações longas ou com interferências externas. Os resultados indicam que as tecnologias atuais já oferecem resultados satisfatórios em muitos cenários, mas ainda apresentam dificuldades em situações mais complexas, mostrando que o reconhecimento automático de fala continua sendo uma área em constante evolução.

This study analyzes the performance of automatic speech recognition (ASR) tools focused on audio transcription in Portuguese. The research emerged from the growing use of artificial intelligence-based solutions in academic and professional activities that depend on converting speech into text. The main objective was to compare different transcription tools, considering aspects such as transcription accuracy, processing time, and performance under different audio conditions. To conduct the tests, audio files with variations in duration, sound quality, and background noise were used in order to approximate real-world usage scenarios. The generated transcriptions were compared with reference texts to identify errors, limitations, and strengths of each evaluated solution. During the analysis, it was observed that audio quality directly influences the performance of the tools, especially in long recordings or those containing external interference. The results indicate that current technologies already provide satisfactory outcomes in many scenarios; however, they still face difficulties in more complex situations, demonstrating that automatic speech recognition remains an area under continuous development.