Da primeira vez que se usa uma ferramenta de IA para tomar notas de uma reunião em cantonês, a reação é quase sempre a mesma: o resultado parece correto, mas há algo que não bate certo. Não há erros evidentes no texto e, no entanto, ao comparar com o que se recorda da conversa, falta qualquer coisa.
Convém enquadrar: o cantonês é falado por cerca de 85 milhões de pessoas e, embora os exemplos deste artigo venham de Hong Kong, o problema de fundo — misturar duas línguas dentro da mesma frase — repete-se em muitos outros pares linguísticos.
Essa discrepância raramente vem de onde toda a gente supõe: a taxa de reconhecimento. Com cantonês puro, um único orador e um ambiente silencioso, as ferramentas atuais já têm um desempenho bastante utilizável. O problema está noutros dois pontos, e ambos coincidem justamente com as duas formas mais comuns da conversa quotidiana em Hong Kong.
Primeiro: quando uma frase mistura chinês e inglês, a qualidade do reconhecimento cai de forma nítida. Segundo: mesmo que o sistema oiça corretamente, o texto devolvido foi frequentemente reescrito em chinês escrito padrão, deixando de ser a frase que disse.
São dois fenómenos com causas distintas e consequências distintas. Vale a pena tratá-los em separado.
Conclusão em 30 segundos
- Misturar chinês e inglês tem um custo, e esse custo é quantificável → A literatura de investigação pública aponta taxas de erro de carateres entre 20% e 26% em conteúdo com alternância de código cantonês-inglês, face a 6%–8% dos mesmos sistemas em conteúdo monolingue. Uma diferença de três a quatro vezes.
- "Ouvir bem" e "escrever bem" são coisas diferentes → Diz 「幾時搞掂」 ("para quando é que está feito?", em cantonês coloquial) e a ata regista o equivalente formal em chinês escrito: o sentido mantém-se, a frase original desaparece.
- Na maioria dos casos é indiferente; nalguns é crítico → Um resumo de uma conversa informal não é afetado; uma consulta médica, um processo de ação social, uma ata de mediação ou uma entrevista de investigação são o oposto.
- Em 2025 os dados de cantonês deram um salto de ordem de grandeza → De corpora públicos de dezenas de horas para as 21 800 horas do WenetSpeech-Yue, embora a alternância de código continue por resolver.
- Antes de escolher uma ferramenta, decida se o que precisa é do "sentido" ou das "palavras exatas" → Cada opção exige uma configuração diferente; no final do artigo há uma lista de verificação.
Primeiro, distinguir duas coisas: reconhecimento versus apresentação
Ao discutir a qualidade das transcrições em cantonês, é fácil confundir duas etapas independentes.
O reconhecimento (ASR) converte som em texto. A sua falha típica é "ouvir mal": não captar o que foi dito, ou confundir uma palavra com outra de som semelhante.
A apresentação decide que forma final assume esse texto. A sua falha típica é "reescrever": perceber perfeitamente o que foi dito, mas polir o registo oral até o transformar em língua escrita.
O que a maioria das pessoas denuncia como "as transcrições em cantonês são imprecisas" são, na verdade, falhas destas duas camadas, e cada uma exige um tratamento completamente diferente. A primeira é uma questão de capacidade do modelo e de dados de treino; a segunda é sobretudo uma opção de design — e muitas vezes deliberada.
Falha um: a mistura cantonês-inglês
Porque é que isto é particularmente difícil
「我想去 Causeway Bay 開個 meeting，順便 check 一下 schedule。」
Nesta frase, Causeway Bay, meeting, check e schedule são inglês; tudo o resto é cantonês. Significa: "Quero ir a Causeway Bay a uma reunião e, já agora, verificar a agenda". Em Hong Kong não tem nada de invulgar, mas para um sistema de reconhecimento exige capacidades muito diferentes das de uma frase em cantonês puro. O sistema tem de alternar em tempo real, dentro da mesma frase e por vezes sem sequer uma pausa para respirar, entre dois sistemas fonológicos e dois léxicos completamente distintos, sem qualquer aviso prévio do ponto de mudança.
Pior ainda: quando um hongkonguês pronuncia uma palavra inglesa, a pronúncia já vem "cantonesizada" — a estrutura silábica e o contorno tonal foram localizados. Essas realizações não correspondem inteiramente ao que o modelo de inglês espera, nem constam do léxico do modelo de cantonês. Nenhum dos dois as reconhece como suas.
A diferença em números
A literatura de investigação pública oferece um quadro bastante consistente: a taxa de erro de carateres em conteúdo com alternância de código cantonês-inglês situa-se aproximadamente entre 20% e 26%, face a 6%–8% dos mesmos sistemas em conteúdo monolingue. Em conjuntos de avaliação dedicados a fala mista cantonês-inglês, os sistemas baseados em Whisper registam uma taxa de erro mista de cerca de 22%.
Traduzido para a experiência real: em conteúdo em cantonês puro erra-se aproximadamente um carater em cada dez e tal; em conteúdo misto, um em cada quatro ou cinco. Com este segundo valor, uma transcrição já precisa de verificação frase a frase antes de poder ser usada.
Este tipo de erro tem uma forma muito particular
Note-se que os erros de alternância de código não "se veem" como os erros de reconhecimento habituais. O sistema raramente deixa um espaço em branco ou devolve carateres incoerentes: tende a adivinhar uma palavra chinesa de som próximo e gramaticalmente plausível, e a inseri-la.
O resultado é uma frase perfeitamente fluente à superfície cujo sentido já se desviou. Isso é bem mais perigoso do que uma gralha evidente — perante uma gralha evidente, para-se para verificar; perante uma frase fluente mas errada, continua-se a ler.
Falha dois: cantonês falado versus chinês escrito
Duas versões da mesma frase
| O que foi dito (cantonês coloquial) | Saída habitual (chinês escrito padrão) | Significado em português |
|---|---|---|
| 佢哋幾時先搞得掂？ | 他們什麼時候才能完成？ | Quando é que eles acabam isto de uma vez? |
| 呢單嘢我唔係好清楚 | 這件事我不太清楚 | Sobre este assunto não estou bem por dentro |
| 咁我哋而家點算？ | 那我們現在怎麼辦？ | E agora, o que fazemos? |
| 頭先個 client 講嘅嗰樣 | 剛才那位客戶說的那件事 | Aquilo que o cliente disse há pouco |
Nenhuma frase da coluna do meio está "errada". O sentido é exato e até se lê melhor. O problema é que ninguém fala assim.
Porque é que os sistemas fazem isto
Normalmente não é um erro de programação. Os dados de treino do chinês escrito são esmagadoramente chinês escrito padrão; o cantonês escrito em registo oral (嘅, 咗, 喺, 哋) representa uma fração mínima do corpus total. Na ausência de instruções explícitas, o modelo tende naturalmente a produzir a variedade de chinês que melhor conhece.
E, na maioria dos casos, esse comportamento por omissão é o correto. Para resumir uma reunião, redigir tarefas pendentes ou enviar algo a um colega que não fala cantonês, a versão em língua escrita é claramente mais útil.
Mas há cenários em que acontece exatamente o contrário
O problema é que existe toda uma categoria de situações em que o que é preciso são precisamente as palavras originais.
- Consultas médicas: os termos com que um doente descreve os sintomas são, em si mesmos, informação clínica. Quando 「頂住頂住」 (uma pressão surda e constante), 「唧住痛」 (uma dor como se algo apertasse ou espremesse) ou 「作嘔作悶」 (náusea acompanhada de mal-estar) são reescritos em vocabulário padrão, essa textura concreta perde-se.
- Processos de ação social: as palavras textuais do utente pesam na avaliação do caso; reescrevê-las equivale a acrescentar uma camada de interpretação logo na fase de registo.
- Mediação e resolução de litígios: quem disse o quê, e em que tom, é justamente o objeto do litígio.
- Entrevistas de investigação e história oral: o valor de uma transcrição literal depende de ser literal.
- Ensino de línguas e trabalho com corpora: a forma oral é, em si mesma, o objeto de estudo.
Estes casos têm um traço comum: o registo não serve apenas para recordar o que foi discutido, podendo ser citado, revisto ou usado como fundamento mais tarde. Uma ata discretamente polida é arriscada neste uso, precisamente por parecer completamente normal: não há como saber o que foi alterado.
Uma premissa que costuma passar despercebida: a situação dos dados em cantonês
Para perceber por que motivo o desempenho das ferramentas de cantonês é tão desigual, ajuda olhar para o volume de dados disponíveis.
| Corpus | Dimensão | Ano |
|---|---|---|
| WenetSpeech-Yue | 21 800 horas, 10 domínios, aberto | 2025 |
| Common Voice cantonês (yue) | 210,91 horas (validadas), 1174 oradores | Atualização contínua |
| MDCC | 73,6 horas | 2022 |
| CantoMap | 12,8 horas, 40 oradores | 2020 |
| HKCanCor | Cerca de 230 000 palavras (gravadas em 1997–98) | 2015 |
| Words.hk | 56 373 entradas lexicais | Atualização contínua |
O aparecimento do WenetSpeech-Yue em 2025 representou uma mudança de ordem de grandeza: até então, os dados públicos de fala em cantonês estavam há muito estagnados entre dezenas e centenas de horas, ao passo que as línguas maioritárias se contam por dezenas de milhares. Isso explica o atraso generalizado das ferramentas de cantonês até agora.
Mas note-se que esse aumento de dados melhora sobretudo o reconhecimento do cantonês monolingue. A alternância de código exige corpora mistos, mais difíceis de anotar e ainda escassos. Por isso a falha um há de melhorar bem mais devagar do que o reconhecimento de cantonês puro.
Outra camada do contexto de Hong Kong
Vale a pena mencionar um conjunto de números relacionados. Segundo os Censos de 2021, Hong Kong tem cerca de 619 568 residentes não chineses, 8,4% da população. Quanto à capacidade de falar cantonês: 17,6% entre a comunidade filipina, 25,0% entre a indiana e 34,7% no conjunto da população do sul da Ásia; em contrapartida, o domínio do inglês ultrapassa geralmente os 84%.
Por outras palavras, a realidade linguística quotidiana de Hong Kong não é um cenário de "cantonês" apenas, mas de cantonês, inglês e várias outras línguas presentes ao mesmo tempo. Uma ferramenta que apenas reconheça bem o cantonês, sem traduzir em tempo real, resolve só metade do problema.
Como a Traverba aborda estas duas falhas
- Prioridade à mistura cantonês-inglês — Reconhecimento afinado para frases mistas ao estilo de Hong Kong, em vez de tratar cantonês e inglês como dois modos entre os quais é preciso escolher.
- Preservação do registo oral — A transcrição reflete a forma como falou de facto; resumos e traduções são gerados à parte. As palavras originais e a versão polida coexistem, em vez de a segunda substituir as primeiras.
- Transcrição e tradução em tempo real integradas — Uma mesma conversa, um orador, mais de 100 línguas: o público lê um código QR e vê as legendas na sua própria língua, sem descarregar qualquer aplicação.
- Prioridade ao processamento local — O reconhecimento de voz corre por omissão no dispositivo, com a IA na nuvem como opção; para conteúdo sensível, nada tem de sair do equipamento.
- Transcrição literal completa exportável — Após a sessão pode exportar a transcrição literal e a versão traduzida, guardando-as separadamente.
Sejamos claros: se o seu uso são resumos de reuniões de negócios correntes, pontos de situação internos ou listas de tarefas, a maioria das ferramentas de notas com IA no mercado já cumpre bem, e a saída em língua escrita é até mais prática; não vale a pena mudar de ferramenta por causa disto. As diferenças acima só importam verdadeiramente nos cenários em que as palavras originais são, elas próprias, o dado.
Como decidir? Uma lista breve
Faça a si próprio três perguntas:
1. Este registo virá a ser citado ou revisto? Se sim (processos de casos, registos clínicos, mediação, entrevistas), precisa de uma transcrição literal e precisa de confirmar que a ferramenta não está a reescrever nos bastidores. Se não, um resumo em língua escrita é mais prático.
2. Qual é a densidade da mistura chinês-inglês na conversa? Uma ou outra palavra inglesa avulsa é gerida por quase qualquer ferramenta. Se for aquela conversa típica de Hong Kong que muda de língua duas ou três vezes na mesma frase, teste primeiro com uma gravação real; não se fie na lista oficial de línguas.
3. O conteúdo é sensível? Para gravações que envolvam historiais clínicos, processos ou assuntos jurídicos, confirme antes o percurso dos dados: se o processamento é local ou na nuvem, quanto tempo são guardados e se são usados para treino.
Um último conselho: seja qual for a ferramenta escolhida, teste-a com uma conversa real sua, não com um texto lido em voz alta. O cantonês lido não tem alternância de código, nem partículas da oralidade, nem interrupções sobrepostas: não deteta nenhum dos problemas acima.
Saber mais
Em matéria de transcrição em cantonês não há uma ferramenta que sirva para todos os casos. O essencial é esclarecer primeiro se quer o "sentido" ou as "palavras exatas": essa decisão determina diretamente o que escolher e como configurar.
Para saber como a Traverba trata a mistura cantonês-inglês e a preservação do registo oral, visite traverba.com ou descarregue a aplicação no Google Play e na App Store.
As taxas de erro citadas neste artigo provêm de literatura pública de investigação sobre reconhecimento de fala em cantonês; os dados de dimensão dos corpora, da informação oficial publicada por cada corpus; e os dados de população e competência linguística, dos Censos de 2021 do Governo de Hong Kong. Todos os valores estão atualizados a meados de 2026; as capacidades de modelos e ferramentas mudam continuamente, e o desempenho real depende da qualidade da gravação, do sotaque, do ruído ambiente e da versão concreta. Todas as marcas e marcas registadas pertencem aos respetivos titulares.