Os últimos 10%: o que a máquina não te consegue temporizar

A transcrição automática é genuinamente uma maravilha hoje em dia. Alimenta um vídeo a um modelo de fala moderno e ele devolve as palavras, aproximadamente temporizadas, em segundos. Há dez anos isso era um artigo de investigação com uma demo que quase funcionava; hoje é uma caixinha para marcar numa dúzia de apps. Por isso é justo fazer a pergunta incómoda: se a máquina faz as legendas, o que é que sobra mesmo para um humano fazer?

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

O que a máquina genuinamente acerta

Vamos dar aos robôs o que é dos robôs, porque o SubSlap usa os mesmos 90% como ponto de partida — não estamos a fingir que reinventámos a transcrição.

• As palavras. Em áudio limpo, os modelos modernos transcrevem com precisão quase humana, pontuação e tudo.
• Timing aproximado. Tempos de início e fim, próximos o suficiente para acompanhar.
• Uma primeira divisão. Linhas cortadas em comprimentos quase legíveis.

Para muito conteúdo casual, é esse o trabalho todo. Publica e segue em frente. O sarilho começa quando “quase legível” não chega.

O que ela estruturalmente não consegue fazer

Eis a parte que nenhum modelo maior resolve, porque não é um problema de conhecimento — é um problema de gosto e contexto:

• Quebrar na respiração, não na contagem. As máquinas dividem por comprimento de caracteres; as pessoas dividem por pensamento. “a melhor parte disto / tudo” lê-se mal apesar de cada palavra estar correta, porque parte uma ideia em duas linhas.
• Suster para efeito. Um orador faz uma pausa por um instante antes da piada. O modelo não sabe que a piada aí vem — tu sabes, porque viste o vídeo e sentiste-a cair.
• Manter uma voz. Deve o “tá” ficar “tá”, ou virar “está”? Isto é uma legenda descontraída ou uma legenda formal? Isso é uma decisão editorial de tom, e o tom não está no áudio.
• Respeitar o corte. Uma legenda que transborda uma palavra para lá de um corte seco parece um erro. O modelo não consegue ver a tua edição; só ouve as palavras.

Bong Joon-ho, ao aceitar o seu Óscar por Parasitas, chamou às legendas “a barreira de uma polegada de altura”. Atravessa essa barreira bem e o espetador esquece que está sequer a ler; atravessa-a mal e é puxado para fora do filme de poucos em poucos segundos. Essa travessia é uma decisão de ofício frame a frame — exatamente a parte que um modelo não consegue sentir, porque nunca se sentou numa sala escura a ver.

Por que é que isto importa mais do que costumava

Duas coisas mudaram. Primeiro, a maior parte do vídeo social é agora vista sem som, por isso as legendas não são um mimo de acessibilidade — são a própria performance. Segundo, a fasquia do “parece profissional” subiu em silêncio, porque o público vê legendas limpas constantemente. Uma linha que quebra a meio de um pensamento não estraga nada. Só faz o vídeo parecer ligeiramente amador, e o espetador normalmente não consegue dizer-te porquê. Esse “não consegue dizer porquê” é a parte perigosa — custa-te confiança sem nunca aparecer como uma queixa.

Como ficar mesmo dono dos 10%

A jogada é tratar esses últimos 10% como um passo próprio, não algo que fazes a olho. Na prática, isso significa:

1. Ler as legendas como um espetador, não como o autor. Onde é que o teu olho tropeça?
2. Corrigir as quebras primeiro — a maior parte das sensações de “está errado” são quebras de linha, não timing.
3. Depois afinar o timing — encosta as deixas aos tempos e afasta-as dos cortes.
4. Depois decidir a voz — contrações, pontuação, tom — de forma consistente no vídeo inteiro.

É essa a razão inteira de o Modo Control Freak existir no SubSlap: timing e controlo de divisão ao nível do frame, para corrigires os palpites do modelo em vez de os despachares. A máquina acerta 90%. Os últimos 10% são onde as legendas ficam boas — e é a parte que ainda é, gloriosamente, tua.