Os últimos 10%: o que a máquina não consegue cronometrar por você

A transcrição automática é genuinamente uma maravilha agora. Alimente um vídeo pra um modelo de fala moderno e ele volta com as palavras, cronometradas por cima, em segundos. Dez anos atrás isso era um artigo de pesquisa com uma demo que quase funcionava; hoje é uma caixinha de seleção em uma dúzia de apps. Então é justo fazer a pergunta incômoda: se a máquina faz as legendas, o que sobra de fato pra um humano fazer?

Uns 10%. E acontece que esses 10% são a diferença inteira entre “legendado” e “bom”.

O que a máquina de fato acerta

Vamos dar aos robôs o que é deles, porque o SubSlap usa os mesmos 90% como ponto de partida — a gente não está fingindo ter reinventado a transcrição.

As palavras. Em áudio limpo, os modelos modernos transcrevem com precisão quase humana, pontuação e tudo.
Tempo aproximado. Horas de início e fim, perto o bastante pra acompanhar.
Uma primeira divisão. Linhas cortadas em tamanhos mais ou menos legíveis.

Pra muito conteúdo casual, esse é o trabalho todo. Publica e segue a vida. O problema começa quando “mais ou menos legível” não é bom o suficiente.

O que ela estruturalmente não consegue fazer

Aqui vai a parte que nenhum modelo maior conserta, porque não é um problema de conhecimento — é um problema de bom gosto e contexto:

Quebrar na respiração, não na contagem. As máquinas dividem pelo tamanho em caracteres; as pessoas dividem por pensamento. “a melhor parte disso / tudo” lê errado mesmo com cada palavra correta, porque corta uma ideia em duas linhas.
Segurar pro efeito. Um falante faz uma pausa antes da tirada. O modelo não sabe que a tirada vem aí — você sabe, porque assistiu ao vídeo e sentiu o baque.
Manter uma voz. “Tá” continua “tá” ou vira “está”? É uma legenda descontraída ou uma legenda formal? Isso é uma escolha editorial sobre o tom, e tom não está no áudio.
Respeitar o corte. Uma legenda que vaza uma palavra depois de um corte seco parece um erro. O modelo não consegue ver a sua edição; ele só ouve as palavras.

Bong Joon-ho, ao aceitar seu Oscar por Parasita, chamou as legendas de “a barreira de dois centímetros e meio”. Cruze essa barreira bem e o espectador esquece que está lendo; cruze mal e ele é arrancado do filme a cada poucos segundos. Essa travessia é uma decisão de ofício quadro a quadro — exatamente a parte que um modelo não consegue sentir, porque nunca sentou numa sala escura assistindo.

Por que isso importa mais que antes

Duas coisas mudaram. Primeiro, a maior parte do vídeo social agora é assistida no mudo, então as legendas não são um agrado de acessibilidade — são a atuação em si. Segundo, a barra do “parece profissional” subiu de mansinho, porque o público vê legendas limpas o tempo todo. Uma linha que quebra no meio do pensamento não quebra nada. Ela só faz o vídeo parecer levemente amador, e o espectador normalmente não sabe dizer por quê. Esse “não sabe dizer por quê” é a parte perigosa — custa a sua confiança sem nunca aparecer como uma reclamação.

Como de fato dominar os 10%

A jogada é tratar esses últimos 10% como uma etapa própria, não algo que você resolve no olho. Na prática isso significa:

Leia as legendas como um espectador, não como o autor. Onde o seu olho trava?
Conserte as quebras primeiro — a maioria das sensações de “esquisito” é quebra de linha, não tempo.
Aí ajuste o tempo — empurre as deixas pros baques e pra fora dos cortes.
Aí decida a voz — contrações, pontuação, tom — de forma consistente no vídeo inteiro.

Essa é a razão inteira de o Modo Controle Total existir no SubSlap: tempo no nível do quadro e controle de divisão, pra você consertar os chutes do modelo em vez de publicá-los. A máquina acerta 90%. Os últimos 10% são onde as legendas ficam boas — e é a parte que ainda é, gloriosamente, sua.