Escreva seu romance por voz: ditado que conhece seus personagens

O momento em que o ditado costuma falhar

Na terça passada de manhã eu estava passeando com o cachorro, pensando numa cena. Dois personagens, Ezra e Lyra, discutindo num porão meio inundado sobre se o rio tinha mudado de curso de propósito. Boa cena. Daquelas que chegam inteiras e desaparecem no segundo em que você senta na frente do teclado.

Então fiz o que todo escritor com celular no bolso faz. Abri um app de ditado e comecei a falar. Três minutos depois eu tinha a cena. Cinco minutos depois eu tinha a transcrição. Toda ocorrência de «Ezra» tinha virado «Israel». Toda ocorrência de «Lyra» tinha virado «Lila». O porão agora era «o porto», e o rio tinha virado «o riacho» errado. Meia hora de busca-e-substituição depois, a cena estava na página, mas a faísca tinha sumido.

Essa é a experiência universal de escrever ficção por voz. Modelos genéricos de ditado nunca leram o seu livro. Nunca viram nem a sua lista de personagens. Eles chutam substantivos próprios a partir de uma tabela de frequência de artigos de jornal, e é por isso que nomes incomuns — exatamente os nomes que a ficção usa — viram nomes comuns. Ezra vira Israel. Lyra vira Lila. Saoirse vira «Sersha». Caitlyn vira «Caitlin» (ou pior).

A solução é estrutural. O modelo de ditado precisa saber sobre o seu projeto antes de começar a transcrever. O editor do Writing Studio do MimicReader faz exatamente isso.

Por que o ditado típico falha para romancistas

Tour rápido pelas alternativas, com nota honesta:

• Google Web Speech / ditado do Chrome — rápido, grátis, roda no navegador. Não sabe nada do seu manuscrito. Troca qualquer palavra fora do comum pela palavra comum mais próxima. Para de escutar depois de ~60 segundos de silêncio. O áudio vai para o Google.
• Ditado da Apple (iOS) — desde o iOS 17 o modelo on-device melhorou um pouco, mas o corpus continua sendo inglês geral. Você pode adicionar algumas «substituições de texto», mas isso não enviesa o modelo, só pós-processa strings específicas.
• Otter.ai — construído para reuniões. Ótimo para identificar quem fala num Zoom. Inútil para saber que o seu protagonista se chama Soren e não «soaring».
• Dragon Naturally Speaking — o velho rei. Você pode treinar vocabulário próprio, mas o fluxo é trabalhoso, a licença custa centenas de libras e a história no mobile é fraca.
• Whisper puro (o modelo open source) — o motor real de transcrição por trás da maioria das ferramentas modernas. Excelente, mas só tão bom quanto o prompt que você passa. Sem configuração, zero contexto de romance.

O padrão: nenhuma dessas ferramentas conhece o seu mundo. Não pode, porque nenhuma está dentro do seu manuscrito. São ferramentas de propósito geral aparafusadas a um trabalho específico.

Como funciona o ditado por voz do MimicReader

O editor do Writing Studio está a um clique da sua lista de personagens, da sinopse e do capítulo que você está editando agora. Quando você toca no botão do microfone, eis o que acontece nos bastidores:

1. Seu navegador grava áudio localmente (API MediaRecorder do navegador, sem streaming).
2. Quando você para a gravação, o blob de áudio sobe para a GPU do MimicReader via HTTPS.
3. O backend puxa os metadados do seu projeto — cada personagem nomeado, a sinopse, o título provisório, os principais nomes de lugares.
4. Esses nomes são formatados no initial_prompt do Whisper — uma string curta de contexto que o Whisper usa para enviesar o decodificador. «O áudio a seguir é de um romance com Ezra, Lyra, Saoirse… ambientado na cidade meio inundada de Veridia…»
5. O Whisper Large V3 Turbo transcreve o áudio na nossa RTX 3090. O prompt o orienta na direção dos seus nomes próprios — Ezra continua Ezra.
6. A transcrição é inserida na posição do cursor no editor de capítulos.
7. O áudio original fica salvo como nota na sua conta para você ouvir de novo se o Whisper entendeu errado alguma palavra e você quiser corrigir a partir da fonte.

É esse o truque. O Whisper suporta initial_prompt desde o primeiro dia, mas nenhuma ferramenta de ditado para o usuário final conecta isso a um manuscrito automaticamente. A gente conecta, porque o manuscrito está ali do lado.

Seu áudio fica aqui

Essa parte importa mais do que as pessoas imaginam. Ferramentas de ditado precisam fazer alguma coisa com a sua voz. Os padrões nem sempre são amigáveis.

• Google Web Speech envia o áudio para os servidores do Google. Sujeito ao que eles estiverem usando aquilo para fazer, e ao que os advogados da UE e do Reino Unido eventualmente negociarem sobre dados de treinamento.
• Otter, Rev, Trint armazenam seu áudio na nuvem deles, indefinidamente por padrão. Você pode apagar na mão. Eles treinam em dados agregados e desidentificados — os termos variam por plano.
• Ditado da Apple fica no aparelho para frases curtas, mas o ditado aprimorado pode chamar para casa.

O MimicReader é diferente por arquitetura, não por promessa:

• O áudio vai para a nossa GPU (uma RTX 3090 num rack de servidor fora de Glasgow), não para a OpenAI, Google ou qualquer terceiro.
• A transcrição roda num Whisper local que a gente hospeda. Não tem chave de API para nenhum serviço externo de transcrição. Não tem terceiro.
• O áudio é guardado como nota na sua conta. Só você consegue ouvir. Você pode apagar na aba Notas a qualquer momento. Excluir a conta (LGPD/RGPD artigo 17) apaga tudo também.
• Não treinamos nenhum modelo com seu áudio nem com seu manuscrito. Ponto.

Se você já se incomodou em ditar uma cena sensível — um capítulo de memórias, uma entrevista confidencial, a virada climática do enredo que você não quer que nenhuma equipe de ML do Google jamais veja — essa é a versão em que dá para não se preocupar com isso.

O fluxo no celular

O botão de microfone funciona no Chrome e no Safari mobile. O fluxo que eu uso de verdade, já que o cachorro não vai se passear sozinho:

1. S24 Ultra no bolso, fones nos ouvidos, guia do cachorro na mão esquerda.
2. Abro mimicreader.ai/app, vou para o capítulo em que estou trabalhando.
3. Toco no microfone (um ponto vermelho grande no fim da barra do editor — difícil de não ver).
4. Falo. Parágrafos inteiros. Cenas inteiras. Capítulos inteiros se a manhã rende.
5. Toco em parar. Espero dez segundos. A transcrição aparece direto no texto.
6. Sigo andando. Repito para a próxima cena.

O Whisper Large V3 Turbo é rápido. Um ditado de três minutos transcreve em torno de oito segundos na nossa 3090. Quando coloco o celular de volta no bolso e olho o cachorro cheirando um poste, o texto já está no capítulo.

Custo de bateria praticamente zero, porque nenhum modelo roda no aparelho — o celular só grava, e gravar consome quase nada. Há um custo de rede: um blob Opus de três minutos pesa por volta de 1 MB. Barato no 4G, de graça no wi-fi de casa.

O que é salvo (e por quê)

Duas coisas, toda vez que você termina um ditado:

1. A transcrição — inserida na posição do cursor, editável na hora. É o resultado principal.
2. O áudio original — arquivado como nota na sua conta, com o timestamp da gravação e um link de volta para o capítulo em que foi ditado.

O arquivo de áudio importa porque o Whisper, mesmo com viés, não é perfeito. Talvez ele tenha ouvido «a manhã em que eu» como «a manha de quê». Talvez o vento tenha levado uma palavra e transformado em ruído. Com o áudio original a um toque na aba Notas, você pode reproduzir a frase exata, ouvir o que disse de verdade e arrumar a transcrição. Sem reconstruir de memória três dias depois.

A visão de Notas também deixa você acumular áudio bruto para mais tarde. Dite quatro esboços de cena no passeio de segunda. Na noite de quarta, senta com um café, abre a aba Notas, escuta e decide quais vale a pena guardar. É o mesmo padrão usado pelo pipeline de notas de voz para audiolivro, só que ligado direto ao editor em vez de a um botão Promover-para-capítulo.

Como habilitar

Writing Studio está, por enquanto, atrás de uma feature flag, porque ainda estamos polindo partes do editor. Para ligar:

1. Abra /settings no app do MimicReader.
2. Role até Writing Studio.
3. Ligue o botão. Salve.
4. Abra qualquer capítulo do projeto. A barra do editor agora tem um ícone de microfone ao lado dos botões de formatação.
5. Toque. Permita o acesso ao microfone quando o navegador pedir. Fale.

Pronto. Sem extensão, sem instalação, sem app à parte. O botão de microfone faz parte do editor a partir do momento em que o Writing Studio fica ligado.

Experimente o fluxo

Se você já abriu um documento em branco às sete da manhã com uma cena na cabeça e perdeu tudo no primeiro parágrafo que digitou, esse é o fluxo que resolve. A voz mantém a faísca. O ditado com contexto do projeto mantém os nomes dos seus personagens.

Para onde ir agora

• O pipeline completo de 4 passos de notas de voz a audiolivro publicado
• Por que construímos escrita e geração de audiolivro numa ferramenta só