Por quase toda a última década, “ditado” significou uma coisa: um modelo escutava sua voz e escrevia o que ouvia, palavra por palavra. Com vícios de linguagem e tudo. O ditado com IA acrescenta um segundo passo. Depois que a transcrição existe, um modelo de linguagem a lê e a limpa - como faria um editor cuidadoso, mas numa fração de segundo.
Esse segundo passo é toda a diferença. É também onde a questão da privacidade se esconde, porque na maioria dos apps a limpeza acontece no servidor de outra pessoa.
Voz para texto: o primeiro modelo
O voz para texto (também chamado de reconhecimento de voz, ou STT) é a tecnologia de base. Você fala, um modelo transforma o áudio numa cadeia de palavras. Os dois modelos abertos que impulsionam quase todo o ditado de desktop em 2026 são o Whisper da OpenAI e o Parakeet TDT da NVIDIA. Os dois podem rodar por completo no seu próprio hardware.
O que você obtém desse passo é uma transcrição fiel. Se você disse “é, tipo acho que a gente devia, sabe, lançar na sexta”, é mais ou menos isso que sai. Preciso, mas não algo que você colaria num e-mail sem organizar antes.
Essa organização costumava ser seu trabalho. Agora um segundo modelo faz isso.
Ditado com IA: acrescentar o modelo de linguagem
O ditado com IA passa a transcrição crua por um modelo de linguagem (a mesma classe de modelo por trás do ChatGPT, Claude e Gemini). O modelo de linguagem faz a passada de edição:
- Tira vícios de linguagem. “É”, “hã”, “tipo”, “sabe” - fora.
- Conserta pontuação e gramática. A fala atropelada vira frases bem pontuadas.
- Ajusta o estilo. A fala casual pode virar uma mensagem profissional, uma nota formal, ou texto em estilo de código com as maiúsculas de identificador certas.
- Traduz. Fale no seu idioma nativo, receba o texto em outro.
Assim “é, tipo acho que a gente devia, sabe, lançar na sexta” vira “Acho que a gente devia lançar na sexta.” Mesmo sentido, pronto para enviar.
Por isso a categoria se chama ditado com IA e não ditado simples: há dois modelos no pipeline, e o segundo é um modelo de linguagem. O modelo de voz te ouve; o modelo de linguagem te edita.
Você disse
tipo é subi o fix pro githab e a a latência caiu no postgress
O ditado com IA te dá
Subi o fix pro GitHub, e a latência caiu no Postgres.
Voz para texto vs ditado com IA, lado a lado
| Eixo | Voz para texto simples | Ditado com IA |
|---|---|---|
| O que produz | Transcrição crua do que você disse | Texto limpo, pronto para enviar |
| Modelos envolvidos | Um (voz para texto) | Dois (voz, e depois modelo de linguagem) |
| Vícios de linguagem | Ficam | Removidos |
| Pontuação e gramática | O que o modelo de voz conseguir | Corrigidas |
| Estilo / tom | Só literal | De casual a formal, ou estilo de código |
| Tradução | Não | Fale um idioma, receba outro |
| Onde a limpeza roda | N/A | Na nuvem na maioria dos apps; no dispositivo no SnailText |
A parte que a maioria das comparações pula: onde o segundo modelo roda
Esta é a pergunta que decide se o ditado com IA é privado: onde acontece o passo do modelo de linguagem?
Na maioria dos apps de ditado com IA, o passo de voz para texto pode rodar no seu dispositivo, mas o passo de limpeza chama um modelo de linguagem na nuvem - OpenAI, Anthropic ou Google. Isso significa que sua transcrição sobe a cada ditado, mesmo quando seu áudio nunca saiu do equipamento. “Reconhecimento de voz local” e “ditado com IA local” não são a mesma afirmação. A primeira pode ser verdade enquanto a segunda é falsa.
Para uma mensagem de Slack sobre o almoço, pode não importar. Para uma mensagem de commit que cita código proprietário, uma nota jurídica sobre um cliente, ou uma observação clínica, importa muito. A transcrição é a parte sensível, e o passo de limpeza é justo onde ela é enviada para fora.
Como funciona o ditado com IA do SnailText
O SnailText roda os dois modelos no seu dispositivo. O Whisper (ou Parakeet TDT) cuida do voz para texto em local, na RAM. Depois um modelo de linguagem local - um modelo Gemma compacto rodando no seu próprio hardware - faz a passada de limpeza. Sem chave de API, sem chamada à nuvem, nada subido em nenhuma das duas etapas. Aqui está o que esse segundo modelo faz de verdade por você.
Limpeza e correção
Cada ditado recebe a passada básica de edição: vícios de linguagem fora, pontuação e maiúsculas reparadas, erros de gramática óbvios consertados, e nomes conhecidos de marcas e produtos restaurados às suas maiúsculas corretas (assim “github” vira “GitHub” e “postgres” vira “Postgres”). Essa é a diferença entre uma transcrição que você tem que consertar e uma frase que você pode enviar.
Perfis temáticos
A limpeza não é de tamanho único - um desenvolvedor ditando código quer um tratamento diferente do de um romancista ditando prosa. O SnailText traz cinco perfis temáticos, e você escolhe o que combina com o que mais dita:
- Geral - sem viés temático, para ditados que cobrem muitas áreas.
- Desenvolvimento e TI - restaura identificadores
snake_case/camelCasee nomes de bibliotecas (Python, React, Docker, Postgres e afins). O padrão em instalações novas. - Escrita - artigos, ensaios, prosa. Preserva sua voz e o ritmo das frases, e pula por completo a reescrita de identificadores para nunca transformar uma frase normal em código.
- Negócios - reuniões, e-mails, gestão de projetos. Conhece o vocabulário de KPI / OKR / ROI e escreve bem os nomes de marca.
- Acadêmico - escrita científica, referências a fórmulas, nomes latinos de espécies, terminologia técnica preservada.
O perfil é a maior alavanca sobre como a limpeza se comporta, porque diz ao modelo de linguagem que tipo de texto você está produzindo antes de tocar numa palavra.
Estilos de identificador para código
Se você dita código, pode fixar a convenção para a qual o modelo restaura os símbolos: snake_case, camelCase, kebab-case, PascalCase ou Auto (deixe o modelo inferir pelo contexto). Diga “recording completed” com o perfil de Desenvolvimento ativo e o estilo certo fixado, e sai recording_completed em vez de duas palavras soltas. É esse tipo de coisa que torna programar por voz de fato usável em vez de uma tarefa constante de limpeza.
Estilo, tom e tradução
O mesmo modelo pode mudar de registro - transformando uma frase falada casual numa mensagem profissional - e traduzir: fale no seu idioma nativo e receba o texto em outro, processado em local em vez de enviado a uma API de tradução.
Você mantém o controle
A limpeza é deliberadamente conservadora. É ajustada para preservar seu sentido em vez de reescrevê-lo, e deixa o texto em paz quando já está limpo. Se você quer a transcrição crua sem edição, desativa o passo e recebe voz para texto literal simples. O ditado com IA é um modo que você ativa, não um filtro ao qual está preso.
É também por isso que podemos chamar o SnailText de ditado com IA com honestidade. Antes de o passo local do modelo de linguagem chegar, era um app de voz para texto rápido e privado. Com dois modelos no pipeline - os dois no dispositivo - é ditado com IA que não sobe nada.
A limpeza local com modelo de linguagem é um recurso Pro, no momento em beta. O plano grátis te dá o motor completo de voz para texto em local sem conta e sem limite de palavras; o Pro ($7.49/mês ou $89/ano, até 3 dispositivos) acrescenta o modelo de limpeza no dispositivo, os perfis temáticos e os estilos de identificador descritos acima.
Quando você quer voz para texto simples
O ditado com IA nem sempre é o modo certo. Se você está transcrevendo uma citação e precisa das palavras exatas, ou dita num sistema que tem suas próprias regras de formatação, o passo de limpeza pode atrapalhar. É para isso que serve o botão de desligar. A ideia não é que um substitua o outro - o ditado com IA te dá um segundo modo, e um bom app te deixa escolher por tarefa.
A versão curta: o voz para texto escreve o que você disse. O ditado com IA te entrega o que você queria enviar - no estilo que seu trabalho precisa. A única coisa que resta verificar é se esse segundo passo mantém suas palavras no seu equipamento.