Legendas traduzidas automaticamente são boas o bastante para o que a maioria de quem assiste realmente quer — acompanhar a situação, os papéis e o rumo geral de uma conversa. Elas não são boas o bastante para nada que dependa da formulação exata de uma fala isolada.

Essa divisão não é uma saída diplomática. É consequência direta de como o processo é montado: duas etapas automatizadas em série, em que os erros da primeira viram a entrada da segunda, e a segunda não tem como saber que está traduzindo algo que nunca foi dito.

O que está acontecendo de fato quando as legendas são geradas automaticamente?

Dois sistemas separados rodam em sequência, e eles não conversam de volta um com o outro.

A etapa um é o reconhecimento automático de fala (ASR). Ela converte a faixa de áudio em texto japonês com marcações de tempo. É a etapa difícil para esse tipo de material, e é onde acontece a maior parte do estrago.

A etapa dois é a tradução automática (MT). Ela pega esse texto japonês e produz o português. A MT moderna é genuinamente boa nisso — com uma entrada limpa e correta.

O problema é a junção entre as duas. A etapa dois recebe texto, não áudio. Ela não tem como ouvir que a etapa um chutou. Uma palavra ouvida errado chega com a mesma cara de uma palavra ouvida certo, e a MT faz o que foi construída para fazer: produzir uma saída fluente e gramatical. O resultado é uma frase que se lê perfeitamente e significa algo que nunca foi dito.

Por que esse material é mais difícil que o áudio para o qual esses sistemas são ajustados?

Porque o reconhecimento de fala é treinado e avaliado em boa parte com áudio de transmissão, aula e reunião, e o vídeo adulto viola quase toda suposição que esse material carrega.

  • As falas se sobrepõem. O ASR é construído em torno de turnos de fala. A fala simultânea ou colapsa na linha de um único falante ou vira uma mistura dos dois.
  • Boa parte do áudio não é verbal. Respiração e vocalizações ocupam o espaço acústico em que o sistema espera palavras, e um sistema enviesado para encontrar fala vai encontrar fala.
  • As condições de gravação variam demais. Configurações na mão e com microfone único produzem uma relação fala-ruído bem abaixo da linha de base de transmissão.
  • As janelas de contexto são ralas. A MT resolve ambiguidade usando as frases ao redor. O diálogo aqui costuma ser feito de exclamações curtas e isoladas, com quase nenhum texto ao redor para desambiguar.
  • O japonês omite sujeitos. Uma frase japonesa gramaticalmente correta muitas vezes omite quem fala, com quem se fala e se o referente é singular. O português exige a marcação, então o tradutor precisa inventar uma — e vai escolher um padrão plausível e afirmá-lo com toda a confiança.
  • Pronomes de tratamento e registro não têm espaço em português. A informação de relação carregada pelo nível de formalidade é uma das primeiras coisas que se perdem.

Nenhum desses problemas é resolvido por um modelo de tradução melhor, porque nenhum deles é um problema de tradução.

Que tipos de erro esperar, e quão graves são?

Os erros se separam com clareza pela etapa que os produziu, e é isso que determina o quanto dá para recuperá-los.

Tipo de erro Origem Como aparece na tela Impacto na compreensão
Diálogo inventado sobre áudio sem fala ASR Falas aparecem onde ninguém está falando Baixo — é óbvio, fácil de ignorar
Palavra ouvida errado e escrita com fluência ASR Uma frase gramatical que não combina com a cena Alto — invisível e plausível
Nomes transformados em palavras comuns ASR O nome da pessoa vira um substantivo de som parecido Médio — confunde, mas dá para notar
Gênero ou número errado no pronome MT "Ele" e "ela" trocam para a mesma pessoa Médio — incomoda, mas em geral dá para deduzir
Tratamento e registro achatados MT Todo mundo fala no mesmo tom neutro Médio — a nuance de relação se perde por completo
Expressão idiomática traduzida ao pé da letra MT Uma tradução palavra por palavra que não quer dizer nada Baixo — reconhecível como absurdo
Trocadilhos e jogos de palavras MT Ou literal, ou substituído por algo sem relação Alto — a piada simplesmente sumiu
Falas sobrepostas reduzidas a uma linha ASR Só o falante mais alto aparece Médio — você perde a troca

As duas linhas de impacto alto compartilham uma propriedade: não dá para detectá-las só pela legenda. Todo o resto se denuncia sozinho. Uma palavra ouvida errado e vertida em português fluente, não — e é exatamente por isso que ela é a que mais importa.

Quando dá para confiar nelas, e quando não?

Confie para continuidade e situação; desconfie em qualquer ponto em que o sentido sustente algo.

Razoável se apoiar em:

  • Acompanhar quem está presente, o que está acontecendo e como a cena avança
  • Registro emocional amplo — concordância, recusa, hesitação
  • Trocas repetidas e formulaicas em que o contexto torna o sentido redundante
  • Decidir se uma cena é o que você procurava

Vale desconfiar de:

  • Qualquer fala que pareça revelar um ponto do enredo, uma relação ou uma premissa
  • Nomes, lugares, marcas e referências a selos
  • Qualquer coisa apresentada como piada ou trocadilho
  • Falas durante diálogo sobreposto ou ruído de fundo forte
  • Sinais de polidez e registro, se a relação entre as pessoas importa
  • Números e horários, que o ASR reconhece errado com facilidade

Uma regra prática: se uma única linha de legenda muda o seu entendimento da cena inteira, trate-a como não verificada. Informação de enredo genuína tende a ser repetida ou mostrada visualmente. Uma revelação que aparece exatamente uma vez, numa fala, e nunca mais volta tem mais chance de ser artefato do processo do que ponto de roteiro.

Como avaliar uma faixa rapidamente?

Assista aos primeiros minutos com estas cinco checagens e a nota da faixa vai ficar óbvia.

Checagem O que uma faixa fraca faz
Aparecem falas durante o silêncio ou áudio não verbal? Sim, com frequência
O nome de uma pessoa é escrito igual toda vez? Não — ele deriva ou vira um substantivo comum
Os pronomes se mantêm consistentes para uma mesma pessoa? Não — eles viram de uma linha para outra
As linhas são todas curtas e de tamanho parecido? Sim — segmentação automática
As expressões idiomáticas soam como absurdo literal? Sim — nenhuma reescrita idiomática

Duas ou mais dessas significam que você está vendo a saída de um processo automatizado, e a qualidade não vai melhorar mais adiante na duração. Vale saber disso de cara, porque diz quanto peso dar a cada fala isolada na hora ou duas que restam.

Perguntas relacionadas

Quais plataformas trazem lançamentos legendados varia bastante — veja o que indexamos na lista de sites.