Entrar

Escuta

O que o app ouve

O app ouve dois canais: o seu microfone (você) e o som do seu computador (os outros participantes). As palavras ouvidas até o momento aparecem na hora em um balão “falando…”, que a frase concluída substitui.

Onde a fala vira texto

Escolha em Configurações, depois Avançado, depois Áudio, depois Fala para texto.

As configurações de Áudio: fala para texto, com o modelo ainda não baixado
  1. Mecanismo: onde a fala vira texto. Automático (o padrão) usa o nosso serviço hospedado enquanto o seu plano o incluir e houver créditos, e o modelo neste computador nos outros casos
  2. Palavras para grafar certo (vazio): nomes e palavras raras que a voz hospedada deve escrever como você, separados por vírgulas; o modelo neste computador os ignora
  3. Modelo local: Automático (o padrão), Rápido ou Equilibrado
  4. Usar a GPU (ativado): roda o modelo na placa de vídeo quando o app encontra uma, e no processador quando você desativa; o nome da placa aparece entre parênteses. Isso só pode mudar entre frases, não enquanto a fala está sendo ouvida ou transcrita
  5. (dica de ferramenta “Baixar o modelo Equilibrado (574 MB)”) baixa o modelo, depois de um cartão que informa o tamanho dele e que ele vem de huggingface.co
  6. O estado do modelo: Não baixado, Parcialmente baixado, Baixando ou Modelo pronto, com o tamanho
  • Reconhecimento de fala local (“Neste computador” no quadro Mecanismo): a fala vira texto no seu próprio computador, e o áudio fica nele. O modelo de fala é baixado uma vez, no primeiro início (Rápido: cerca de 265 MB; Equilibrado: cerca de 575 MB); nada é transcrito até ele ficar pronto. O quadro Modelo local o escolhe: Automático (o padrão) usa o Equilibrado em uma placa de vídeo que acompanha a fala e o Rápido nos outros casos; Rápido roda em qualquer computador; Equilibrado é mais preciso e precisa de uma placa de vídeo ou de Apple Silicon. Onde o app encontra uma placa de vídeo, uma chave Usar a GPU abaixo do quadro (ativada por padrão) permite manter a fala no processador.
  • O nosso serviço hospedado (“Nuvem (letmesoloit.com)” no app; All-Inclusive ou qualquer plano com um Credit Pack): o áudio passa pelo nosso servidor, pago em créditos. A opção de streaming dele mostra as palavras enquanto as pessoas falam; assim como as frases, um stream é cobrado por todo o áudio que envia, um crédito a cada 10 segundos. Para que nomes e palavras raras saiam escritos certo, o app envia até 100 palavras junto com o áudio: primeiro a sua própria lista, depois palavras que parecem nomes do Sobre mim do seu perfil ativo. A sua lista fica em Configurações, depois Avançado, depois Áudio, depois Fala para texto, depois Palavras para grafar certo: separe as palavras com vírgulas (o campo vazio sugere “ex.: Kubernetes, Grafana, nomes dos seus colegas”); a voz hospedada prefere essas grafias quando ouve algo parecido. Um serviço que você configura com a sua própria chave recebe a lista, se aceitar; o modelo neste computador ignora a lista.
  • Um serviço que você configura com a sua própria chave.
  • Automático (o padrão) usa o nosso serviço hospedado enquanto o seu plano o incluir e houver créditos, para todos os idiomas e em qualquer computador, e faz streaming onde o serviço faz. Nos outros casos, ele usa o reconhecimento de fala local, que também é a reserva quando não é possível alcançar o nosso serviço ou ele falha. Sem o nosso serviço hospedado, o chat espera o download do modelo de fala, com o progresso visível. O Automático nunca usa um serviço que você configurou com a sua própria chave.

Depois que o modelo local é baixado, o estado dele mostra Modelo pronto, e a seta de download dá lugar a uma lixeira que o exclui de novo.

O modelo de fala local, já baixado
  1. (dica de ferramenta “Excluir o modelo baixado (574 MB)”) o exclui, depois de um cartão que informa o espaço liberado; o estado acima mostra Modelo pronto, e o modelo é baixado de novo quando você precisar

O que cada opção envia e guarda está na Política de Privacidade.

Um serviço na nuvem com a sua própria chave

Em Configurações, depois Avançado, depois Áudio, depois Fala na nuvem com sua chave, escolha o serviço, cole a chave de API dele e escolha o modelo; o app testa a chave e diz se ela funciona. Depois, escolha a opção Chave própria desse serviço como mecanismo. Quando o serviço recusa, a janela diz por quê; abaixo, … representa o nome do serviço e o lugar nas configurações, para o qual a mensagem leva:

  • … recusou a chave. Verifique-a em … A chave está errada ou não é mais válida.
  • … informa que a chave não tem mais crédito nem cota. Adicione crédito ou aumente a cota na sua conta, no painel do próprio serviço, já que o app não pode mudar isso, ou escolha outro mecanismo.
  • … não oferece o modelo definido em … Escolha outro modelo no mesmo lugar.
  • … está limitando as solicitações; algumas frases podem se perder. Elas voltam a passar quando ele para de limitar.

Idiomas

O reconhecimento de fala e as dicas funcionam em doze idiomas: inglês, ucraniano, russo, alemão, espanhol, francês, japonês, polonês, sueco, chinês, coreano e português. Uma única configuração, Idioma da chamada em Configurações, depois Idioma, escolhe como. O inglês é o padrão: um idioma que você escolhe é ouvido exatamente, sem detecção. O Automático detecta o idioma que cada lado da chamada fala, com a fala neste computador ou com o nosso serviço hospedado e com respostas do nosso serviço hospedado; as dicas respondem no seu idioma. Um serviço de fala que você configura com a sua própria chave, ou respostas do seu próprio provedor, sempre ouvem um idioma que você escolhe: ali a lista não tem Automático, e um Automático salvo funciona como inglês. Isso acompanha o caminho ao vivo: quando as respostas passam para o seu próprio provedor durante uma chamada, a detecção para e as linhas mudam.

Com Automático, a detecção roda separadamente para cada lado da chamada. Um lado se define quando duas falas separadas, cada uma com 3 segundos ou mais de voz, concordam em um idioma; se nenhuma concordar depois de 4 falas ou de 30 segundos de voz desse lado, ele fica com o idioma ouvido por mais tempo até ali (em caso de empate, o mais recente). Um pequeno detector de idioma neste computador também ouve cada frase com 3 segundos ou mais de voz: quando ele tem certeza de que a frase está em outro dos doze idiomas, o lado da chamada muda para esse idioma na hora, a partir daquela frase, e as respostas acompanham. O lado do seu microfone só muda quando o detector tem certeza do mesmo novo idioma em duas frases seguidas, que começam com no máximo 20 segundos de diferença, já que o seu microfone também ouve o ambiente e os seus próprios alto-falantes; as duas frases são então mostradas de novo no novo idioma. Frases mais curtas não contam, então um “OK” ou um nome nunca mudam o idioma. Até um lado se definir, ele usa o idioma do outro lado ou, se não houver, o inglês. A fala neste computador detecta o idioma pelo áudio; o nosso serviço hospedado, pelo texto de cada frase concluída. Com streaming, o stream de cada lado abre na hora no último idioma desse lado (o dele, de uma chamada anterior, guardado neste computador; se não houver, o do outro lado; se não, o inglês), então o texto aparece desde o primeiro segundo. Quando o detector ouve outro idioma, o app envia ao stream um sinal curto com o nome dele, sem áudio: o nosso serviço hospedado ouve a frase de novo no novo idioma a partir do áudio que já tem, e o novo texto substitui o que foi mostrado. Nada é enviado ou cobrado duas vezes. As dicas respondem no idioma do seu lado ou, se não houver, no da chamada.

Um idioma que você escolhe é ouvido exatamente: a fala é lida só nesse idioma, sem detecção nem troca automática, e as respostas o acompanham. Um segundo idioma fica então a um atalho de distância; veja Dicas.

O que o reconhecimento de fala local precisa

Estes números são aproximados. O que cada sistema precisa como um todo, incluindo memória e disco, está em Requisitos do sistema.

  • Com uma placa de vídeo como as da tabela de Requisitos do sistema, 2 núcleos (4 threads) e 8 GB de memória bastam. Sem ela, inglês, russo, alemão, espanhol, francês, japonês, polonês e sueco rodam só no processador: 8 núcleos (16 threads) e 16 GB de memória acompanham os dois lados de uma chamada; 6 núcleos (12 threads) e 8 GB são mais ou menos o mínimo para isso.
  • Ucraniano, chinês, coreano e português, e o modelo Equilibrado, mais preciso, precisam de uma placa de vídeo: o Equilibrado precisa de 4 GB ou mais de memória de vídeo, e os Requisitos do sistema listam as placas por fabricante. As placas de vídeo integradas de notebooks rodam só o modelo Rápido, quase ao vivo. No Windows e no Linux, a placa precisa de um driver Vulkan, que os drivers atuais da NVIDIA, AMD e Intel incluem.
  • Um exemplo medido (14/10/2026, uma chamada real tocando em voz alta): um notebook de entrada, com 2 núcleos / 4 threads e placa de vídeo AMD Radeon Vega 3, roda o Rápido a cerca de 3 segundos por frase depois que o idioma é conhecido, então o texto aparece cerca de 3,5 a 5 segundos depois que uma frase termina; enquanto o idioma é detectado, uma frase leva cerca de 5 segundos. O Equilibrado é lento demais ali, e o Automático não o escolhe. Com uma GeForce GTX 1650, o Equilibrado leva cerca de 1,3 segundo por frase (cerca de 2,1 durante a detecção) e fica na placa. Uma chamada em que as pessoas falam uma de cada vez é acompanhada; os dois lados falando sem pausa, não.
  • Em um plano que inclui o nosso serviço hospedado, o Automático envia todos os idiomas para ele, incluindo esses quatro, então o hardware do seu computador não importa. Sem ele, o Automático roda os idiomas neste computador com o melhor modelo que consegue acompanhar, o que pode ficar para trás sem uma placa de vídeo ou Apple Silicon.
  • Quando um modelo na placa de vídeo é lento demais, o Automático primeiro o testa uma vez no processador e fica com o que transcrever mais rápido, dizendo “A fala mudou para …” se houve troca; ele não tenta de novo nesta versão do app. Se o seu computador ainda ficar para trás, o app avisa e indica uma opção mais rápida: em um plano que inclui o nosso serviço hospedado, o Rápido ou o nosso serviço (só o nosso serviço quando o Rápido é lento demais); sem ele, o Rápido ou a chave “Usar a GPU”, onde ela existir (só a chave quando o Rápido é lento demais). Ele continua na opção local mais rápida, mantém as legendas perto do tempo real e nunca passa o áudio para a nuvem por conta própria.

Microfone e alto-falante

Configurações, depois Avançado, depois Áudio lista os seus microfones e as fontes de alto-falante e mostra o que está em uso. Uma mudança vale na hora, ao Salvar; um dispositivo que não abre mantém o anterior. Um dispositivo salvo que não está conectado quando a escuta começa (fones de ouvido desligados) é substituído pelo padrão do sistema nessa execução; a configuração fica, então o dispositivo volta a ser usado na próxima vez que estiver lá. No macOS não há alto-falante para escolher: o app ouve o som do computador diretamente, com a permissão de Gravação de Tela.

As configurações de Áudio: dispositivos
  1. Dispositivo de microfone (Padrão do sistema): o microfone que o app ouve como você; dentro do quadro (dica de ferramenta “Atualizar”) lê os dispositivos de novo
  2. Dispositivo de alto-falante (Padrão do sistema): o som que o app ouve como os outros participantes

Detecção de voz

A seção Detecção de voz, numerada na imagem abaixo, decide o que conta como fala. Os dois limiares definem o nível acima do qual um som conta como voz, um para o seu microfone (100 por padrão) e outro para os outros participantes (200); cada um vai de 1 a 10.000. Dicas sobre a minha própria fala vem desativado por padrão: o app responde ao que os outros participantes dizem e, com isso ativado, também ao que você diz. Filtrar o eco do alto-falante vem ativado por padrão e descarta frases do microfone que são só o som da chamada voltando pelos seus alto-falantes. Ajustar a sensibilidade automaticamente vem ativado por padrão: enquanto o app ouve, cada limiar acompanha a chamada, entre metade e o dobro do valor salvo, e nunca é salvo, então o próximo início volta aos seus valores. Sugerir calibração vem ativado por padrão: quando um lado continua não sendo reconhecido, um aviso diz isso com um link Calibrar; desativar isso para o aviso, e Calibrar nas Configurações funciona de qualquer forma.

As configurações de Áudio: detecção de voz
  1. (dica de ferramenta “Calibrar microfone”) pede que você fique em silêncio por 3 segundos e depois leia uma frase em voz alta três vezes, e define o Limiar do microfone; funciona enquanto o app está ouvindo
  2. (dica de ferramenta “Calibrar alto-falante”) toca um trecho curto três vezes pelo seu alto-falante enquanto você fica em silêncio e define o Limiar do alto-falante
  3. Limiar do microfone, de 1 a 10.000 (100): o nível acima do qual o som conta como a sua voz. Aumente se o app ouvir ruído como fala; diminua se a fala baixa se perder
  4. Limiar do alto-falante, de 1 a 10.000 (200): o mesmo para os outros participantes
  5. Dicas sobre a minha própria fala (desativado): responde também ao que você diz, não só aos outros participantes
  6. Filtrar o eco do alto-falante (ativado): descarta frases do microfone que são só o som da chamada voltando pelos seus alto-falantes; desative só se as suas próprias palavras se perderem
  7. Ajustar a sensibilidade automaticamente (ativado): os limiares acompanham a chamada enquanto ela acontece, entre metade e o dobro do valor salvo, e nunca são salvos
  8. Sugerir calibração (ativado): avisa quando um lado continua não sendo reconhecido, com um link Calibrar

Calibrar

Quando um lado continua não sendo reconhecido, a janela diz “Difícil entender o outro lado: verifique o volume ou calibre.” (ou “o seu microfone”). Primeiro, verifique o volume do sistema e se Configurações, depois Avançado, depois Áudio usa o microfone e o alto-falante certos.

Depois, calibre enquanto o app está ouvindo. O link Calibrar do aviso abre os dois botões de calibrar, e , no título de Detecção de voz em Configurações, depois Avançado, depois Áudio. Calibrar microfone (dica de ferramenta “Calibrar microfone”) pede que você fique em silêncio por 3 segundos e depois leia uma frase em voz alta três vezes. Calibrar alto-falante (dica de ferramenta “Calibrar alto-falante”) toca um trecho curto três vezes pelo seu alto-falante enquanto você fica em silêncio. O app define o nível entre o ruído de fundo e a voz, e Salvar o guarda. Quando a voz não está claramente acima do ruído, o app avisa e não muda nada.

O aviso quando os outros participantes continuam não sendo reconhecidos
  1. O aviso, com o link Calibrar, que abre os botões de calibrar

Silenciar o microfone

Ctrl+Alt+M, ou na barra de ações, faz o app parar de ouvir você: nada do seu microfone é transcrito ou enviado. Os outros participantes continuam sendo ouvidos, e isso não silencia você na chamada. O botão gêmeo, Ctrl+Alt+O ou ao lado, pausa os outros participantes: nada do que eles dizem é transcrito ou enviado, e nada é cobrado, até você pressionar de novo. Todo início começa sem silenciar e sem pausar.