Legendas automáticas para Reels e Shorts: precisão, idiomas, embutidas ou SRT

O que é “preciso” de verdade?

Para um português claro e bem gravado, falado em ritmo normal, as ferramentas modernas de legenda automática, construídas sobre modelos da família Whisper e seus sucessores comerciais, costumam acertar cerca de 90 a 95 por cento das palavras, e os anúncios dos fornecedores chegam mais alto com áudio limpo. As legendas automáticas das plataformas, como a faixa automática do YouTube, costumam ser relatadas em torno de 85 a 95 por cento com áudio claro e perto de 78 a 82 por cento quando há ruído de fundo, sotaque forte ou fala rápida. Uma transcrição manual que você envia e revisa passa de 99 por cento. Essa diferença explica tudo: 95 por cento parece excelente até você perceber que um short de 60 segundos tem umas 150 palavras, então 5 por cento de erro são sete ou oito palavras erradas, e elas não vão estar distribuídas de forma uniforme.

Os erros se concentram em lugares previsíveis. Primeiro os nomes próprios: nomes de produtos, de lugares, de pessoas. Depois os números, sobretudo preços e datas, onde um único dígito errado muda todo o sentido. Depois os homófonos e o jargão, depois tudo o que é dito sobre música, e depois os falantes que se cruzam, onde a maioria das ferramentas simplesmente escolhe uma voz e perde a outra. Os sotaques não são um detalhe menor: são um dos maiores fatores de erro, e a mesma ferramenta pode ser quase perfeita com um falante e mediana com outro. Pense em um criador em São Paulo gravando na cozinha com barulho, ou em um vendedor do Mercado Livre no Rio falando rápido sobre uma oferta: o áudio real do Brasil é o que testa a ferramenta de verdade. A solução é barata e pouco glamorosa: grave um áudio limpo perto do microfone, mantenha a música abaixo da voz e revise a transcrição antes de exportar. Dez minutos de limpeza são o que separa as legendas que ajudam das que envergonham, como dizem vários guias de fluxo de trabalho de 2026.

Idiomas: cobertura ampla, qualidade desigual

Os números de cobertura parecem impressionantes: as ferramentas grandes anunciam de 75 a mais de 125 idiomas para transcrição e tradução, mas cobertura não é qualidade. Inglês, espanhol, francês, alemão e português são os mais fortes na maioria das ferramentas, com muitos dados de treinamento por trás. Hindi, árabe, japonês, coreano e chinês têm suporte amplo e costumam funcionar bem com fala clara, mas os tons, a conversão de escrita e a fala misturada ainda provocam erros que um falante nativo percebe na hora. Idiomas menores podem aparecer na lista e ainda assim gerar transcrições ásperas que precisam de muita edição, e a troca de idioma dentro de uma frase, algo comum na fala real, derrota a maioria da detecção automática.

Daí saem duas regras práticas. Primeiro, diga à ferramenta o idioma em vez de deixar ela adivinhar, sobretudo em clipes curtos onde há pouco áudio para detectar. Isso vale em dobro para o português do Brasil: um sotaque paulista, um carioca e um nordestino não soam iguais, e dizer que é português evita que a ferramenta chute errado desde o primeiro segundo. Segundo, se você publica em dois idiomas, traduza a partir de uma transcrição corrigida, nunca a partir do rascunho automático cru: os erros do idioma original viram erros confiantes no idioma de destino. Para um canal com público de verdade multilíngue, essa transcrição-mestra corrigida é um ativo que vale guardar, porque alimenta cada tradução posterior, a descrição do vídeo e a busca.

Embutida ou SRT: escolha pelo lugar onde o vídeo vive

Para Reels e Shorts, a legenda embutida é a resposta certa por padrão. As legendas embutidas aparecem em todos os dispositivos, em todos os apps, o espectador tenha ou não ligado as legendas, e carregam o seu estilo: o destaque palavra por palavra que segura a atenção em um feed rápido. As legendas da plataforma, ao contrário, podem ser desligadas, usam o layout da plataforma, que nos Shorts briga com o quadro vertical, e não podem ser exportadas para outra plataforma: as legendas nativas do Instagram não viajam com o vídeo, então publicar em vários apps significa legendar de novo em cada um. Por isso os criadores de alto volume convergem para um único fluxo: gerar uma vez, corrigir uma vez, embutir uma vez e enviar o mesmo arquivo para todos os lugares.

O SRT ganha onde o vídeo foi feito para durar. Um arquivo SRT à parte pode ser buscado, editado depois de publicar, traduzido sem renderizar de novo e é acessível de um jeito que o texto embutido não é: os espectadores podem aumentar o tamanho, e os leitores de tela e os buscadores podem usá-lo. No YouTube, enviar o seu próprio SRT corrigido supera depender da faixa automática por esse mesmo motivo, e ainda alimenta a busca com as palavras que você de fato disse. O híbrido sensato, e o que este artigo recomenda para quem publica o mesmo short em vários lugares, são os dois: uma versão embutida para o feed e o SRT corrigido guardado ao lado para o YouTube, para traduções e para o dia em que você precisar corrigir um nome sem exportar o vídeo de novo.

Uma última checagem antes de publicar, qualquer que seja o caminho: assista ao vídeo uma vez com o som desligado. Se ele não fizer sentido no mudo, as legendas ainda não estão fazendo o trabalho delas: corrija primeiro a primeira frase, depois nomes, marcas e números, e depois todo o resto. Essa única exibição no mudo pega mais problemas do que qualquer porcentagem de precisão.