Legenda automática: gere legendas a partir do próprio áudio do vídeo
Como o DijiFlow Dictate transforma o áudio de um vídeo em linhas de legenda sincronizadas no seu computador, e qual d...
Você tem %itemCount% no seu carrinho.Total: %total%
Como o DijiFlow Dictate transforma a sua voz em texto no seu próprio computador, com modelos de fala locais e o Apple Silicon. Explicado em linguagem simples.
A maioria dos apps de ditado parece mágica até você fazer a pergunta óbvia: para onde vai a minha voz? No DijiFlow Dictate, a resposta honesta é: para lugar nenhum. Você fala, o texto aparece no cursor, e nenhuma palavra vai para um servidor. Sem conta e sem envio do seu áudio ou do seu texto. Isso não é uma promessa de privacidade acrescentada no fim; é consequência de como o app foi construído.
Três peças bem conhecidas fazem tudo funcionar: o modelo de fala, que escuta; o ambiente de execução, que roda esse modelo com eficiência no Mac; e o Apple Silicon, o chip que faz tudo parecer instantâneo. Não é preciso conhecimento prévio: veja cada uma delas em termos simples.
No centro do DijiFlow Dictate estão modelos de reconhecimento de fala que rodam no seu próprio computador. Em termos simples, um modelo de fala é um enorme identificador de padrões, treinado com uma quantidade gigantesca de áudios e das respectivas transcrições. Com esses dados, ele aprende como os sons que as pessoas produzem correspondem às palavras que elas querem dizer, com sotaques, ruído de fundo e as pausas naturais da fala real.
Quando você dita, o modelo prevê a sequência de palavras mais provável a partir do áudio do microfone, e ele faz isso muito bem. Em fala clara, chega a cerca de 98% de precisão, e o DijiFlow Dictate transcreve 29 idiomas com suporte completo e reconhece mais de 90 com a detecção automática. Como ele lê o contexto, em vez de identificar uma palavra de cada vez, lida bem com o jeito desorganizado como as pessoas falam de verdade.
Esta é a parte que surpreende: o app e a inteligência são dois arquivos diferentes. No Mac, o DijiFlow Dictate em si é pequeno, com cerca de 34 MB. Os modelos de fala são a parte pesada e vão de uns 300 MB a 6 GB, conforme o modelo escolhido. No Pro e no teste, o “Grande” é o mais preciso, o “Expresso” chega perto dele e é mais rápido, e o “Rápido” é o mais ágil de todos, em 16 idiomas, inclusive o inglês; a versão gratuita usa o “Padrão” e o “Aprimorado”. Você escolhe o equilíbrio entre velocidade e precisão que combina com você.
Você baixa um modelo uma vez; depois disso, a transcrição não precisa de internet. É justamente esse passo único que permite que a sua voz fique no seu computador.
Um modelo de fala só é útil se rodar rápido sem esgotar a bateria. Essa é a função do ambiente de execução, a camada que roda modelos de aprendizado de máquina no próprio dispositivo. Pense nele como um tradutor e um controlador de tráfego ao mesmo tempo: ele pega um modelo de fala e descobre como executá-lo usando as partes mais adequadas do seu hardware.
No Mac, os modelos de fala do DijiFlow Dictate são compilados para o framework de aprendizado de máquina da própria Apple, que faz parte do macOS. Assim, o modelo é otimizado especificamente para o hardware da Apple, em vez de rodar como código genérico e mais lento, e o ditado acompanha a fala natural sem pesar no sistema. E tudo acontece localmente: esse framework não é um serviço na nuvem. Ele faz parte do sistema operacional e permite que os apps rodem modelos de aprendizado de máquina com privacidade, no próprio dispositivo.
A última peça é o hardware. Nos Macs modernos, isso significa Apple Silicon, os chips da série M em computadores com macOS 14 ou mais recente. Esses chips têm um Neural Engine dedicado, uma parte do processador criada especificamente para rodar modelos de aprendizado de máquina com rapidez e pouquíssimo consumo de energia, com a GPU disponível via Metal quando é preciso mais potência.
Você não precisa configurar nada disso. O framework distribui o trabalho entre as partes certas do hardware automaticamente; você só fala, e o chip cuida do resto em tempo real. Essa é a vantagem discreta de rodar tudo no dispositivo: o mesmo chip que deixa o seu Mac ágil é o que torna o ditado privado viável na prática.
Coloque as três peças em ordem e o caminho é curto, e totalmente local.
O áudio do microfone é captado no dispositivo e nunca é transmitido para lugar nenhum.
O modelo transforma som em palavras ali mesmo, no Apple Silicon, em tempo real.
As suas palavras aparecem no app em que você já está. Elas não são enviadas a lugar nenhum, então não há nada para vazar.
Em resumo
O modelo fica no seu computador, então a transcrição é só um cálculo feito localmente: não há servidor no meio para guardar, interceptar ou reter a sua voz sem você saber.
A maioria das ferramentas de voz são serviços na nuvem com ícone de app: precisam de conexão e de conta toda vez, porque o modelo que entende você fica no hardware de outra empresa. O DijiFlow Dictate inverte isso: você instala uma vez, e o trabalho passa para o seu chip.
| Como funciona | DijiFlow (no dispositivo) | Ditado na nuvem |
|---|---|---|
| Funciona depois de um único download | ✓ | ✗ |
| Transcreve sem internet | ✓ | ✗ |
| Não exige conta | ✓ | ✗ |
| O áudio fica no seu dispositivo | ✓ | ✗ |
A mesma abordagem vale para o Windows 10 e 11, em que o DijiFlow Dictate roda em GPUs AMD, Intel e NVIDIA. As placas NVIDIA precisam do CUDA e de um driver atualizado, mas o princípio é o mesmo: a sua fala é transcrita localmente, e a sua voz e o seu texto não são enviados.
Não há nada de exótico acontecendo aqui. O DijiFlow Dictate é construído com tecnologia aberta e bem conhecida: modelos de fala para escutar, o framework de aprendizado de máquina da Apple como ambiente de execução e o Apple Silicon como hardware. A decisão que importa é manter tudo isso no seu dispositivo, para que você tenha a praticidade do ditado moderno sem nunca entregar a sua voz a ninguém, na versão gratuita, no teste e no Pro.
Se você prefere sentir na prática a ler sobre isso, experimente o ditado privado no dispositivo grátis por 30 dias com o plano Pro.