Conversar com alguém que fala outro idioma, sem precisar de tradutor humano ou aplicativo na tela, já é uma realidade para quem usa os novos fones da Apple e da Samsung.
Os AirPods Pro 3 e os Galaxy Buds3 Pro prometem fazer tradução em tempo real durante chamadas e diálogos presenciais, transformando o que a pessoa diz em outro idioma de forma quase instantânea. A experiência até lembra ficção científica, mas a tecnologia por trás é bem mais simples do que parece.
O truque, no entanto, não está no fone, na prática, mas sim no celular, que faz quase todo o trabalho. Os fones captam o som, enviam ao smartphone e reproduzem a voz já traduzida segundos depois.
Como a tradução acontece?
O processo começa com os microfones do fone de ouvido, responsáveis por captar o que é dito e eliminar os ruídos antes de enviar o som ao celular. A explicação é do especialista em tecnologia Thiago Andrade:
— O fone é captado, comprimido (limpeza inicial, removendo ruídos de fundo, ecos e digitalização do áudio) e posteriormente enviado para o smartphone que está pareado. O fone, em si, não armazena o conteúdo.
Depois dessa etapa inicial, entra em ação os sistemas de inteligência artificial (IA), que trabalham em três fases principais, em um modelo usado tanto por Apple quanto por Samsung:
— A IA faz todo o processo dividido em três etapas: ASR (Reconhecimento automático de fala, em tradução literal), que transcreve o áudio em texto; NMT (Tradução automática neural), que traduz esse texto; e TTS (Conversão de texto para fala), que transforma o texto traduzido em áudio. Todos são baseados em redes neurais profundas de aprendizado de máquina — detalha Andrade.
Esse mesmo mecanismo é o que permite ao celular transformar fala em texto, traduzir para outro idioma e devolver o som já convertido aos fones, tudo em poucos instantes.
Como a IA atua nesse processo?
O presidente da Associação Brasileira de Lawtechs e Legaltechs (AB2L) e especialista em IA e cibersegurança Daniel Marques explica que, apesar de parecer um processo complexo, a tradução ocorre em milissegundos.
Isso é possível graças a novos chips e modelos multimodais de inteligência artificial, capazes de processar voz e texto ao mesmo tempo.
— Ele captura o áudio em tempo real e aí faz o reconhecimento automático da fala, faz a tradução e depois sintetiza em voz. O grande diferencial atualmente é que a latência é muito baixa, é muito rápido, quase instantânea essa tradução.
Segundo Marques, a evolução recente está ligada à capacidade dos celulares de processar tarefas de IA sem depender tanto da nuvem:
— Hoje em dia, os chips são cada vez mais inteligentes. A gente fala de NPUs, unidades neurais dedicadas, sendo muito pequenas e já estão inseridas e rodam no próprio celular. Então, nem sempre vai para a nuvem. Boa parte do processo acontece no celular e, algumas vezes, acontece na nuvem.
Apple x Samsung
No caso da Apple, a função chamada Live Translation está disponível nos AirPods Pro 3 e funciona em conjunto com o iPhone 15 Pro ou superior.
A tradução ocorre no próprio aparelho, após o download dos idiomas desejados, garantindo que os dados fiquem armazenados somente localmente. O áudio traduzido é então enviado aos fones, que apenas o reproduzem.
Já a Samsung utiliza o recurso Real-time Interpreter nos Galaxy Buds3 e Buds3 Pro. O sistema oferece dois modos:
- Escuta, voltado a palestras e apresentações, na qual o usuário ouve apenas a tradução.
- Conversa, usado em diálogos bidirecionais, com tradução nos dois sentidos.
O aplicativo Intérprete também permite tradução de ligações, inclusive em chamadas por WhatsApp e Google Meet.
Privacidade e dados
Uma das principais dúvidas é se as conversas captadas podem ser usadas para treinar sistemas de IA. Para Marques, isso depende da política de cada empresa e do tipo de processamento usado.
— A Apple, por exemplo, tem uma política de privacidade antiga: tudo é criptografado e armazenado no próprio aparelho, que vira uma chave. Mesmo se algo for para a nuvem, vai criptografado.
Ele explica que, tecnicamente, as falas até podem ser usadas para aprendizado de máquina, mas que isso não é necessário geralmente. Isso porque, segundo ele, já existem bancos de dados consolidados e estruturados para este tipo de treinamento.
— É possível, mas eticamente não é recomendável. É o mesmo princípio do WhatsApp: as conversas são criptografadas, mas o sistema pode captar padrões de comportamento, não o conteúdo, para sugerir produtos ou serviços — acrescenta.
O futuro dos fones tradutores
Os especialistas acreditam que a tradução em tempo real tende a ficar cada vez mais natural e integrada ao cotidiano. Marques projeta um cenário onde a tela do celular deixa de ser o centro da interação com a tecnologia:
— A tendência é que o telefone desapareça e a interação com a máquina se torne cada vez mais conversacional. Essa "máquina" pode estar no fone de ouvido, no óculos, na roupa, até numa lente de contato. É uma nova internet, sem necessidade de dezenas de aplicativos. A tendência é uma comunicação cada vez mais fluida entre humanos e máquinas, sem precisar navegar por telas.
Ele ressalta que o desafio, no entanto, será equilibrar inovação e ética nesse processo:
— É fundamental discutir os limites éticos. Isso porque nem tudo que é tecnicamente possível é eticamente bom. É preciso equilíbrio entre inovação e proteção social.
