Ditado por voz em radiologia: as seis camadas entre o microfone e o laudo

A pergunta errada

A primeira pergunta de quase toda avaliação de ditado médico é 'qual a acurácia de vocês'. É uma pergunta legítima e é uma pergunta quase inútil, porque a resposta é um número só para uma coisa que tem pelo menos seis partes independentes. Cada uma dessas partes pode estar boa ou péssima sem que as outras percebam, e o número que o fornecedor cita quase sempre mede uma delas — em geral a que ele resolveu melhor.

Um sistema pode transcrever epônimo com precisão cirúrgica e escrever 1.5 cm com ponto no lugar da vírgula. Pode acertar cada palavra e entregar o texto com atraso suficiente para atrapalhar o raciocínio de quem dita. Pode ter taxa de erro invejável em sala silenciosa e desabar no ambiente que você realmente usa. Todos esses resultados desaparecem quando uma taxa de erro é convertida em um slogan de precisão.

Este texto abre as seis camadas em ordem, do ar até o texto assinado. O objetivo não é convencer ninguém de que a nossa é melhor — o objetivo é que quem terminar a leitura consiga montar um teste próprio e chegar à conclusão sozinho, com número, inclusive contra nós.

Camada 1 — o áudio, que decide antes de o modelo entrar

O reconhecimento começa a perder antes de qualquer inteligência artificial ser acionada. O que chega ao modelo é uma gravação, e a qualidade dessa gravação é definida por quatro coisas banais: qual microfone, a que distância, em que sala e com qual ganho.

A distância é a mais subestimada. A energia do sinal cai com a distância enquanto o ruído da sala permanece, então dobrar a distância boca-microfone piora a relação sinal-ruído de forma perceptível. Um headset a três centímetros e o microfone embutido do notebook a sessenta centímetros são dois problemas acústicos diferentes, e nenhum modelo compensa isso inteiramente. Na prática de quem avalia sistemas, é comum que a troca de microfone mova mais o resultado do que a troca do motor de reconhecimento.

A sala vem em seguida. Superfície dura, vidro e teto baixo devolvem reverberação, e reverberação borra a fronteira entre fonemas — exatamente onde se decidem palavras curtas e átonas. Ar-condicionado adiciona ruído de banda larga constante. Um colega falando ao fundo adiciona algo pior, que é fala concorrente: o sistema não tem como saber que aquela voz não é a sua, a menos que alguém tenha resolvido esse problema explicitamente.

E há a cadeia digital: taxa de amostragem, compressão, supressão de ruído agressiva demais. Redução de ruído mal calibrada remove ruído e também remove consoante fricativa fraca, e o resultado é um áudio que soa limpo para o ouvido humano e chega mutilado ao reconhecedor. Antes de culpar o modelo, vale gravar trinta segundos e ouvir: se você tem dificuldade de entender a própria gravação, o problema não está na camada seguinte.

Camada 2 — o modelo acústico e a fala que ele nunca ouviu

Motor de reconhecimento genérico é treinado majoritariamente em fala genérica: conversa, mídia, leitura corrida. Laudo não é fala genérica em nenhuma dimensão relevante. A densidade de termos raros por minuto de áudio é alta, a estrutura sintática é repetitiva e formular, e a consequência de errar uma palavra específica é desproporcional.

O modo de falha característico é a atração pelo comum: diante de um trecho acústico ambíguo, o sistema converge para a sequência de palavras mais provável na língua geral. Como termo radiológico é, por definição, improvável na língua geral, ele perde essa disputa com frequência. É por isso que o erro típico não é texto sem sentido — é uma palavra comum, plausível e gramatical no lugar do termo técnico. O tipo de erro mais difícil de flagrar na revisão.

A eponímia é o caso mais frágil de todos: nomes próprios estrangeiros pronunciados com fonética brasileira, que o modelo tende a aproximar para a palavra comum foneticamente vizinha. As siglas anatômicas ditas letra por letra são o segundo caso. Os sistemas de classificação são o terceiro, e têm um agravante: dependem de grafia exata, com hífen e dígito, e a forma correta quase nunca é a forma que sai de uma transcrição literal do que foi dito.

Sobre tudo isso incide a variação de quem fala. Sotaque regional, velocidade, hábito de encadear frases sem pausa e cansaço mudam a prosódia o suficiente para deslocar o desempenho. O mesmo radiologista, às três da tarde e às três da manhã, é acusticamente duas pessoas parecidas — e nenhuma base de teste diurna captura a segunda.

Camada 3 — vocabulário: o que resolve, e o que ele nunca vai resolver

A camada de vocabulário existe para desfazer a atração pelo comum. Ela informa ao sistema que, neste contexto, um conjunto de termos improváveis na língua geral é altamente provável, e a decodificação passa a favorecê-los. É a intervenção com melhor retorno por esforço em reconhecimento médico, e é também a mais mal explicada em demonstração comercial.

O que ela pode resolver inclui grafia de termo conhecido, forma canônica de classificação, sigla em maiúsculas e nomes próprios. Para comparar o resultado bruto e o resultado após vocabulário, ambos precisam ser publicados com a mesma amostra e regra de normalização. Essa comparação ainda não está disponível no material público da Laudos.AI.

O que ela não resolve é mais importante para quem compra. Vocabulário não ajuda com termo que não está na lista — e a lista é sempre menor que a linguagem. Não ajuda quando o termo técnico é homófono de uma palavra comum legítima, porque as duas continuam plausíveis. E, sobretudo, não ajuda com negação: 'não' já está em qualquer vocabulário de português, com probabilidade altíssima. Nenhuma customização de terminologia protege a palavra mais perigosa do laudo, porque o problema dela nunca foi ser desconhecida — é ser curta, átona e engolida na fala corrida.

Daí uma regra prática de avaliação: quando o teste de um fornecedor consiste em ler uma lista de termos técnicos e mostrar que todos saíram certos, o que está sendo demonstrado é o vocabulário, não o reconhecedor. Termo isolado é o caso fácil. O caso real é o termo no meio de uma oração, com coarticulação, precedido de uma negação átona.

Camada 4 — normalização, onde texto certo vira texto errado

Entre o que foi reconhecido e o que aparece na tela existe uma camada de decisões de escrita que raramente é discutida e que produz uma parte enorme da diferença percebida entre dois sistemas. Ela responde perguntas do tipo: o que fazer quando alguém diz 'um vírgula cinco centímetros'.

A resposta certa é 1,5 cm. Chegar lá exige reconhecer que 'vírgula' ali é separador decimal e não pontuação, que 'centímetros' vira uma abreviação sem ponto final, e que o espaço entre número e unidade existe. Um sistema que transcreve literalmente acerta cada palavra e entrega um texto que o radiologista vai reescrever inteiro. No WER, ele pode até sair na frente.

A mesma lógica vale para classificação, onde a forma falada e a forma escrita quase não se parecem: o que sai da boca como uma sequência solta de letras, número e sufixo precisa chegar à tela com hífen, maiúsculas e dígito no lugar. Vale para pontuação ditada, que traz uma armadilha específica — a palavra que separa decimal é a mesma que o radiologista usa para pedir uma vírgula no texto, e distinguir as duas depende do que vem em volta. Vale para datas, para lados abreviados, para unidades no plural.

Há uma consequência incômoda disso para qualquer benchmark, inclusive o nosso: a regra de normalização usada na avaliação move o número. Se número por extenso conta como acerto, se maiúscula importa, se hífen conta, se pontuação entra na conta — cada uma dessas decisões desloca a taxa de erro sem que uma linha do modelo tenha mudado. É por isso que taxa de erro publicada sem a regra de normalização ao lado não é comparável com nada, e é a primeira coisa que se deve exigir de quem apresenta um número.

Camada 5 — os três erros que não se corrigem sozinhos

Taxa de erro por palavra trata todo defeito como equivalente. Trocar um artigo vale um erro; apagar um 'não' vale um erro. Em radiologia essa equivalência é falsa, e a diferença entre as duas é de natureza, não de grau.

Erro gramatical trivial se corrige sozinho, no sentido de que o revisor não precisa procurá-lo: a frase soa errada, o olho tropeça, a mão conserta. É ruído de superfície. Já existem três classes que atravessam a revisão intactas porque não deixam rastro de estranheza.

A primeira é negação. 'Há sinais de' e 'não há sinais de' diferem por uma palavra curta e átona, e as duas versões são gramaticais, fluentes e clinicamente coerentes. Nada na frase resultante avisa que ela diz o contrário do que foi dito. A segunda é lateralidade: direita e esquerda são foneticamente distantes, o que ajuda, mas quando o erro ocorre ele é catastrófico e igualmente invisível à leitura. A terceira é medida, onde o defeito não precisa ser de palavra: um decimal deslocado transforma achado de seguimento em achado de conduta, e o número errado lê tão bem quanto o certo.

A assimetria da revisão é o ponto: o revisor encontra o que parece errado, não o que está errado. Erro que produz frase perfeita é o único tipo que sobrevive sistematicamente à segunda leitura, e por isso é o único que merece contagem própria. Um sistema pode ter taxa de erro geral excelente e ser inaceitável em radiologia se concentrar seus poucos erros exatamente nessas três classes — e a média não avisaria.

Camada 6 — latência, o número que quase ninguém publica

Todas as camadas anteriores tratam de qual palavra aparece. Esta trata de quando. É a que o radiologista sente primeiro e a que menos aparece em material comercial, porque é desconfortável de medir e fácil de esconder atrás da acurácia.

Ditar é uma tarefa com ritmo. A frase é construída enquanto é falada, e quem dita usa o texto que já apareceu como apoio para o que vem em seguida. Quando o texto chega com atraso perceptível, esse apoio some: a pessoa para para esperar, perde o fio, começa a editar antes de terminar de ditar, ou passa a olhar a tela em vez de olhar a imagem. O custo não aparece na taxa de erro do sistema — aparece no tempo total até a assinatura e na disposição de continuar usando.

Há um efeito perceptivo em cima disso: latência alta reduz a acurácia percebida mesmo com acurácia real idêntica, porque a pessoa passa a monitorar a saída em vez de confiar nela, e quem monitora encontra mais defeitos. Sistema lento parece burro.

Sejamos exatos sobre o que temos aqui: não publicamos um número de latência medido, porque ainda não fechamos uma definição de medição que valha a pena publicar — o que conta como início do evento, se é primeira palavra ou frase estabilizada, qual percentil. Enquanto essa definição não estiver de pé, um número seria retórica. O que existe medido e mantido é o resultado da ponta, que já contém a latência dentro dele: mediana de 52 segundos entre o editor e a assinatura, e 54,6% dos laudos concluídos em menos de um minuto. Quando a medição de latência isolada existir, o número sobe para o site com a metodologia junto, como os outros.

O que a gente mediu, e o que o número não cobre

Sobre a camada de reconhecimento, o registro interno disponível é 3,06% de taxa de erro por palavra após aplicação de vocabulário em frases radiológicas controladas em português brasileiro.

A amostra, o áudio, a transcrição de referência, a regra de normalização, o resultado bruto e as contagens por classe de erro ainda não estão documentados publicamente. Sem esses elementos, o número não é reproduzível nem comparável e não deve ser convertido em porcentagem de acurácia.

O que esse número não cobre está dito em voz alta: frase de teste é frase controlada. Ar-condicionado, telefone tocando, microfone ruim, sotaque fora do recorte medido e o mesmo radiologista às três da manhã não estão dentro dele. Nenhum número de fornecedor cobre isso, o nosso inclusive — e é por isso que a última seção deste texto é um protocolo para você produzir o seu, que é o único que decide.

Transcrição não é laudo

Existe uma fronteira que nenhuma das seis camadas atravessa. Reconhecimento de fala responde se a palavra saiu da boca e chegou à tela sem se corromper. Não responde se o laudo está certo.

Um sistema com taxa de erro zero transcrevendo um raciocínio equivocado produz um laudo equivocado com ortografia impecável. O LaiBench v3.10 é um benchmark interno controlado de fidelidade com 120 casos; não é validação clínica externa. WER e fidelidade respondem a perguntas diferentes.

Protocolo: auditar qualquer ditado médico em uma tarde

O que segue é reproduzível com um gravador, uma planilha e algumas horas. Ele serve para comparar fornecedores entre si e para verificar qualquer número publicado, o nosso incluído. A ordem importa mais do que parece.

Primeiro, monte o material de teste com o seu conteúdo, não com o do fornecedor: sessenta frases tiradas de laudos reais já assinados, anonimizadas, cobrindo as suas três subespecialidades mais frequentes. Frases inteiras, como você fala, não listas de termos. Distribua deliberadamente: dez com negação, dez com lateralidade explícita, dez com medida decimal, dez com sistema de classificação, dez com epônimo e dez de fala corrida sem armadilha.

Segundo, grave uma única vez, com o microfone que você usa e na sala onde você lauda. O mesmo arquivo de áudio vai para todos os candidatos. Se cada sistema receber a própria gravação, o que você mede é a variação entre gravações, não entre sistemas — este é o erro metodológico mais comum em comparação de ditado.

Terceiro, escreva a referência antes de ver qualquer saída. Transcreva você mesmo o que foi dito, palavra por palavra, e congele esse arquivo. Referência escrita depois de ler a transcrição do fornecedor é referência contaminada: a leitura ancora o julgamento e o resultado sempre melhora.

Quarto, defina a normalização por escrito, antes de contar qualquer erro. Número por extenso conta como acerto? Maiúscula importa? Hífen conta? Pontuação entra? Não existe resposta certa aqui, existe resposta declarada — e a mesma regra tem de valer para todos os candidatos.

Quinto, rode com e sem vocabulário customizado, se o fornecedor oferecer os dois, e anote os dois. A diferença entre eles é informação de compra: diz quanto do resultado vem do reconhecedor e quanto vem de uma lista que alguém precisa manter viva ao longo do tempo.

Sexto, conte em três colunas separadas e nunca some as três: taxa de erro geral, ocorrências nas classes perigosas (negação, lateralidade, medida) e tempo até a palavra aparecer na tela. Uma coluna com zero na segunda vale mais que meio ponto percentual na primeira.

Sétimo, repita o mesmo áudio duas vezes no mesmo sistema. Variação entre execuções idênticas existe e é informação: um sistema que responde diferente ao mesmo arquivo é um sistema cujo número tem barra de erro que ninguém publicou.

Oitavo, repita depois de um plantão, com a voz cansada, e no horário em que você realmente lauda. É a parte mais chata do protocolo e a que mais muda o resultado. Só depois de tudo isso, pergunte o preço.

As perguntas que uma demonstração não sobrevive

Se não houver tempo para o protocolo inteiro, há um conjunto curto de perguntas cujas respostas separam quem mediu de quem decorou. Nenhuma delas é hostil, e todas têm resposta objetiva.

Sobre o número: qual é a taxa bruta, antes de vocabulário? Sobre qual conjunto de teste, em que língua, com quantas horas de áudio? Quem escreveu a transcrição de referência, e ela foi escrita antes ou depois de ver a saída do sistema? Qual é a regra de normalização usada na contagem?

Sobre o comportamento: erro de negação conta igual a erro de artigo na sua métrica? O vocabulário médico é mantido por vocês ou por mim, e o que acontece quando aparece um termo novo? Qual a latência típica e qual o pior caso, não a média? O sistema se comporta igual com o mesmo áudio duas vezes?

Sobre o áudio, que é dado de saúde: ele sai do Brasil? Fica armazenado, por quanto tempo e sob qual base legal? É usado para treinar modelo, e existe forma de recusar isso sem perder a funcionalidade? Quem, do lado do fornecedor, consegue ouvir uma gravação, e isso fica registrado em log?

A resposta que interessa não é sempre a mais favorável — é a que vem com definição. Fornecedor que responde 'a nossa acurácia é altíssima' às quatro primeiras perguntas já respondeu à pergunta que realmente importa.

Quando o WER cai, o gargalo muda de lugar

Há um argumento final que joga contra a ênfase deste texto inteiro, e ele precisa estar aqui. Abaixo de certo patamar de erro, transcrição deixa de ser o gargalo do laudo.

Quando a palavra chega certa quase sempre, o que ainda consome tempo e produz variação não é o reconhecimento: é a estrutura do laudo, a consistência de terminologia entre exames da mesma casa, a comparação com o estudo anterior, a decisão sobre qual classificação se aplica, e o julgamento de quem assina. Perseguir a terceira casa decimal da taxa de erro é otimizar a parte que já funciona enquanto a parte cara segue intocada.

Isso vale contra o nosso próprio número. O registro de 3,06% ainda não tem amostra e protocolo públicos, e não explica por si só a mediana histórica de 52 segundos do editor à assinatura. Quem escolhe uma plataforma de laudo apenas pela taxa de erro escolhe pelo critério mais fácil de resumir, não pelo fluxo inteiro.

O limite honesto deste texto

Seis camadas é um corte didático, não um diagrama de arquitetura. Na prática elas se sobrepõem: normalização e reconhecimento interagem, vocabulário mexe na decodificação, latência é consequência de escolhas feitas em todas as anteriores. A divisão serve para pensar e para testar, não para descrever fielmente o interior de nenhum sistema.

E o número que decide é o que sair do seu áudio, na sua sala, com a sua voz e o seu material. Se vier pior que o que publicamos, o número que vale é o seu — e queremos saber, porque medida contesta melhor que opinião. Quando a nossa metodologia mudar, ou quando a próxima rodada vier pior, é o pior que sobe para o site.

Perguntas frequentes

Referências

1. Benchmark de reconhecimento de fala em português radiológico, v1.0, agosto de 2026: metodologia, resultado bruto e pós-vocabulário e limitações · Laudos.AI
2. Metodologia das métricas publicadas: definição de evento, janela de medição e limitações da mediana de 52 s e dos 54,6% · Laudos.AI
3. LaiBench v3.10: benchmark interno controlado de fidelidade com 120 casos; não é validação clínica externa · Laudos.AI
4. RadCommons: corpus aberto e citável de terminologia e critérios radiológicos em português · Laudos.AI
5. Word Error Rate: substituições, deleções e inserções sobre a transcrição de referência, com a normalização declarada · Definição padrão da literatura de reconhecimento automático de fala
6. Resolução CFM nº 2.454, de 11 de fevereiro de 2026, que normatiza o uso da inteligência artificial na medicina · Conselho Federal de Medicina (CFM)
7. Lei nº 13.709/2018 (LGPD): tratamento de dado pessoal sensível de saúde, no qual se enquadra o áudio de ditado clínico · Brasil
8. Residência de dados no Brasil: onde os laudos e os áudios de ditado ficam armazenados · Blog Laudos.AI

As referências apontam para diretrizes, sociedades e literatura consultadas. Este conteúdo é informativo e não substitui julgamento clínico ou aconselhamento jurídico.