A voz volta baixinho

Os assistentes estacionaram. O ditado decolou — segundo ele mesmo

Diga “Alexa, marca um timer” e você está usando o primeiro tipo de entrada por voz. Dite um e-mail em vez de digitá-lo, e está usando o segundo.

São cinco tipos ao todo, e nos últimos dois anos cada um seguiu um caminho: comandos a assistentes, ditado de texto, mensagens de voz, conversa falada com modelos de IA e voz para programar e passar tarefas a agentes de IA.

O primeiro tipo parou de ganhar alcance. Nos Estados Unidos, 33% das pessoas tinham uma caixa de som inteligente em 2021 e 35% em 2025; o próprio instituto de pesquisa diz que o número quase não se mexeu em quatro anos.¹

O Reino Unido é a exceção: de 25% para 45% no mesmo período, principalmente graças à Alexa.² O uso por dono continuou subindo por mais tempo: as tarefas semanais numa caixa de som passaram de 7,5 em 2017 para 12,4 em 2022.³

Comercialmente, porém, a primeira onda fracassou. A divisão de dispositivos da Amazon perdeu mais de US$ 25 bilhões entre 2017 e 2021, porque as pessoas usavam o Echo como despertador e para ver a previsão do tempo, não para fazer compras.⁴

A segunda onda aparece quase só no que as empresas dizem de si mesmas. O Wispr Flow, um app de ditado, passou de uma avaliação de US$ 700 milhões em novembro de 2025 para US$ 2 bilhões em agosto de 2026.⁵

O Google diz que 63% dos mais de um bilhão de usuários mensais do app Gemini “usam voz”, sem explicar como contou isso.⁶ A Apple diz que os pedidos à Siri cresceram de cerca de 1,5 bilhão por dia em 2024 para mais de 2,5 bilhões em 2026.⁷

As grandes pesquisas independentes — Pew, YouGov, Edison, Ofcom — ainda não perguntam em separado sobre ditado ou conversa por voz com IA. A mais próxima descobriu que 57% dos americanos com 12 anos ou mais já tinham usado um assistente de IA generativa ao menos uma vez, digitando ou falando.⁸

Ou seja, a curva de crescimento da segunda onda é desenhada por partes interessadas.

As mensagens de voz, o terceiro tipo, são um hábito de massa, mas que não cresce. A última contagem oficial do WhatsApp foi de 7 bilhões por dia, em março de 2022.¹⁰

Numa pesquisa da YouGov com 2.442 americanos em fevereiro de 2026, cerca de 10% mandavam mensagens de voz várias vezes por semana e 41% disseram que o formato não se aplicava a eles. Tantos passaram a usá-las menos (12%) quanto mais (11%).⁹

Três vezes mais rápido para copiar. Cerca de 1,4 vez para compor

Eis o número mais citado sobre voz: falar é três vezes mais rápido que digitar. É verdade — para copiar. No experimento de onde ele vem, 48 pessoas, 24 por idioma, copiaram frases curtas e prontas num iPhone.

Em inglês, foram 153 palavras por minuto por voz contra 52 no teclado da tela; em mandarim, 123 contra 43.¹¹ Os próprios autores chamam isso de teto alcançado em laboratório. E ninguém escreve copiando.

Em 2020, Foley, Casiez e Vogel pediram a 28 pessoas que compusessem uma frase própria no celular, ligando três figuras simples. Enquanto as palavras estavam de fato sendo faladas ou digitadas, a voz ainda corria três vezes mais rápido: 116,5 contra 35,1 palavras por minuto.

Mas, contando a tentativa inteira — pensar, falar, corrigir —, uma mensagem levou 20,8 segundos por voz e 29,2 pelo teclado. Isso dá cerca de 1,4 vez, não três.¹²

Duas coisas comeram a diferença. Antes da primeira palavra, as pessoas pensavam o dobro quando iam falar: 11,0 segundos contra 5,3. Digitando, a gente pensa enquanto escreve; falando, planeja a frase antes.

E qualquer correção saía cara: somando os dois métodos e as duas tarefas, as tentativas que precisaram de ajuste andaram a 54,6 palavras por minuto, contra 141,1 nas limpas.

Para ter uma escala: voluntários de um teste de digitação on-line fizeram em média 52 palavras por minuto num teclado físico, entre 168.000 pessoas,¹³ e 36 no celular, entre 37.000.¹⁴

Não existe comparação controlada entre compor por voz e num teclado de computador com o reconhecimento de fala de hoje. A última é de 1999: usuários de primeira viagem compunham por voz a 7,8 palavras por minuto, correções incluídas, contra 19 com teclado e mouse; copiando texto, 13,6 contra 32,5.¹⁵

Sua velocidade falando é a velocidade da sua boca, não a do ditado: aqui nada é reconhecido e nada precisa ser corrigido. A razão entre os seus dois números é o máximo que a voz pode lhe dar.

No experimento de Foley, só a fala era 3,3 vezes mais rápida que a digitação, e a tentativa inteira, 1,4 vez: depois de pensar e corrigir, sobraram cerca de 40% da vantagem de velocidade.

O que a máquina ouve depende de quem fala

Diga “passe a reunião para quinta às dez” numa sala silenciosa, com sotaque de apresentador de telejornal, e um bom reconhecedor vai acertar. Diga o mesmo com sotaque de Lagos e barulho de café em volta, e ele pode escrever “cinta a Deus”.

O reconhecimento é medido pela taxa de erro de palavras: a parcela de palavras que ele erra, omite ou acrescenta. Em outubro de 2025, o melhor modelo de um ranking público de referência teve média de 5,63% nos seus conjuntos de teste.

O Whisper large-v3, modelo aberto por trás de muitos apps de ditado, ficou em 7,44%.¹⁶ Para comparar: a transcrição profissional cuidadosa foi medida em 5,1% em conversas telefônicas gravadas, em 2017.¹⁷

Essas médias escondem quem está falando. Num conjunto de conversas em inglês com sotaques do mundo todo, o Whisper errou 19,7% das palavras, contra 2,7% em inglês americano lido e limpo. No inglês nigeriano e no jamaicano, até os modelos mais fortes passaram de 20%, e um modelo acadêmico, de 45%.¹⁸

Em 2020, cinco sistemas comerciais erraram 35% das palavras de falantes negros e 19% das de falantes brancos: o mesmo sistema, quase o dobro de erros.¹⁹

O reconhecimento generativo trouxe um novo tipo de falha: inventar coisas. O Whisper inventou frases inteiras em cerca de 1% das transcrições, e 38% dessas invenções continham algo nocivo, como violência ou afirmações falsas.²⁰

Pausas longas, comuns em pessoas com afasia, tornavam as invenções mais prováveis. Uma frase inventada é pior que uma palavra mal ouvida, porque se lê sem tropeço.

O gargalo passou do reconhecimento para a correção. Editar por voz tem dois problemas sem solução: distinguir um comando do texto que deve ser escrito e apontar o lugar a corrigir.

Tocar perto do erro enquanto se diz a correção, deixando um modelo de linguagem descobrir o que vai onde, reduziu o tempo da tarefa em 16,4% e os toques no teclado em 47,5% em relação ao melhor método anterior, num teste com 16 pessoas.²¹

O texto ditado também sai prolixo e frouxo, e por isso os apps novos o reescrevem com um modelo de linguagem antes de colar. Num estudo de diário de 7 a 10 dias com uma ferramenta assim, 9 de 12 autores se adaptaram, com conforto mediano de 5 em 7.

Os que continuaram em dúvida apontaram as velhas dificuldades: pensar na próxima frase enquanto se fala e pôr o cursor onde ele deve estar.²²

A voz acelera a boca, não o planejamento

Se a voz é três vezes mais rápida, por que escrever não fica três vezes mais rápido? Porque a maior parte de escrever não é digitar. Um estudo de 1983 sobre redação de cartas concluiu que cerca de dois terços do tempo de composição vão para o planejamento — entre 58% e 78% nas configurações testadas.

As cartas saíram igualmente boas, fossem escritas à mão, ditadas ou faladas.²³ Um canal de saída mais rápido só acelera o terço que sobra.

Ben Shneiderman propôs o mecanismo em 2000: a fala e a memória de curto prazo disputam o mesmo recurso, enquanto mover a mão corre em paralelo com o pensamento.

Num dos experimentos do laboratório dele, comandos falados foram 12–30% mais rápidos que o mouse, mas dizê-los em voz alta dificultou lembrar símbolos que depois precisavam ser digitados de novo.²⁴

Estudos posteriores se alinham numa mesma escala, de copiar a resolver. Onde a tarefa é copiar, a voz ganha em velocidade e parece mais leve. Onde a tarefa é compor, a voz é um pouco mais rápida e parece igual.

Onde a tarefa é resolver um problema, a voz pesa mais na cabeça. Em 50 pessoas usando um assistente médico de chat, a fala aumentou a carga mental medida tanto nas tarefas difíceis quanto nas simples.²⁵ Já 35 médicos de emergência, documentando por voz, foram 18,1% mais lentos e cometeram 138 erros contra 32.²⁶

Os vencedores claros são as pessoas cujo gargalo é a mão ou a ortografia. Alunos com dificuldades de aprendizagem escreveram redações melhores com reconhecimento de fala do que à mão; para os demais alunos, não fez diferença.²⁷

Conversar com IA fica na mesma escala. No maior estudo que encontrei, 919 alunos de um curso introdutório de programação podiam escolher como escrever prompts para uma ferramenta de IA. Quase nove em cada dez escolheram só texto (88,5%), 4,8% só voz e 6,7% os dois.

Prompts de voz sem edição funcionaram de primeira com menos frequência: 35% contra 52% na primeira tarefa e 38% contra 58% na segunda. Quando os alunos editavam a transcrição, a diferença deixava de ser significativa.²⁹

Em tarefas criativas, a voz deu um primeiro prompt mais rápido e continuações mais numerosas e mais longas, mas não mudou nem o esforço que as pessoas sentiram nem como avaliaram os resultados.²⁸

A ideia popular de que pensar em voz alta ajuda só vale pela metade. Em 94 estudos, apenas verbalizar os pensamentos não mudou a precisão e só deixou o trabalho mais lento; a precisão subiu quando as pessoas tinham de explicar o próprio raciocínio.³⁰

Explicar um problema a um modelo de IA por voz pode muito bem ajudar. Ninguém testou.

A voz cansa conforme a dose. A dose do ditado ninguém mediu

Digitar o dia inteiro cansa as mãos. Falar o dia inteiro cansa outra coisa, e não existe um limite diário científico de quanto disso é seguro. O que está bem medido é quanto os profissionais da voz a usam.

Professores, uma profissão com altas taxas de distúrbios de voz, fazem as pregas vocais soar durante 23% do tempo de trabalho, contra 13% fora do trabalho e 12% nos fins de semana, segundo um estudo de 2007 com 31 professores.³¹

Um grupo mais recente, de 26 professores, ficou em 16,2%, 8,4% e 8,0%.³² Esse tempo sonoro se chama fonação: conta só os momentos em que as pregas vibram de fato, não as pausas entre as palavras.

O corpo percebe rápido. Na leitura em voz alta e forte, um marcador objetivo de esforço vocal sobe já nos primeiros 15 minutos, e as pessoas sentem depois de 30, num estudo com 10 pessoas.³³

Depois de duas horas lendo em voz alta no volume de sala de aula, 86 professores avaliaram que a voz se recuperou quase toda em 4–8 horas, com um pequeno resto durando um dia ou mais. O artigo se contradiz nos números exatos: o resumo fala em 90% após 4–6 horas e recuperação total em 12–18.³⁴

O trabalho existente mais parecido com falar com um computador o dia inteiro é o call center. Em 15 estudos, de 33% a 68% dos atendentes tiveram problemas de voz em algum momento da carreira, e 27% no momento em que foram examinados.³⁵

Uma pesquisa contou 6,8 sintomas vocais por atendente, contra 1,7 na população em geral.³⁶

Evidência direta sobre usuários de ditado só existe dos anos 1990 e 2000, quando ditar significava parar depois de cada palavra. Numa série de casos, cinco pessoas que passaram ao reconhecimento de fala por causa de dor nas mãos desenvolveram tensão vocal; com terapia de voz e sessões mais curtas, três das cinco melhoraram.³⁷

Registros musculares em 10 pessoas sugeriram que a carga se desloca em vez de desaparecer: menos tensão constante no antebraço e no pescoço, e em parte nos ombros, e uma tendência a mais esforço no cricotireóideo, um músculo da laringe.³⁸

O ditado moderno elimina a causa suspeita — fala monótona, robótica, com pausa depois de cada palavra — e põe o microfone perto da boca, então dá para falar baixo. É uma esperança razoável, não uma constatação.

Nenhum estudo mediu a carga vocal em quem usa os apps de ditado atuais ou os modos de voz dos modelos de IA.

Não é o lugar. É quem está ouvindo

Imagine pedir ao celular o caminho em casa, depois num ônibus, depois na sua mesa, com colegas em volta. Para a maioria das pessoas, a resposta muda três vezes.

Os melhores números sobre isso vêm de um pequeno experimento britânico. Participaram 20 pessoas de 23 a 32 anos: viram vídeos curtos de um homem buscando algo por voz ou por texto contra um fundo neutro e marcaram os lugares e as plateias diante das quais fariam o mesmo.

A voz só venceu o texto ao volante, onde as mãos estão ocupadas.³⁹ Quem estava ouvindo pesava mais do que onde. Sozinho, a voz foi aceitável em 96% das respostas; com amigos, em 83%; com o parceiro, 78%; com a família, 71%. Com colegas, 26%. Com estranhos, 16%.

Entre as plateias, só colegas e estranhos tornaram a voz significativamente menos aceitável que o texto; entre os lugares, a casa, o banco do passageiro e o trabalho. Teste em você mesmo antes de ver as respostas deles.

Numa pesquisa com 860 usuários de assistentes, a vergonha reduzia a intenção de continuar usando especificamente em público, enquanto o orgulho a aumentava em qualquer lugar.⁴⁰

Mesmo assim, a norma mudou. Em pesquisas americanas, usar a voz num restaurante com amigos passou de cerca de 25% em 2017 para mais de 40% em 2019. Os homens tinham 1,54 vez mais chance que as mulheres de usar comandos de voz, e 46% disseram se irritar quando outros faziam isso.⁴¹

A novidade passa primeiro. A timidez também passa

Quem já comprou uma caixa de som inteligente conhece a primeira semana: timers, piadas, música, perguntas feitas só pela graça. Depois a novidade passa, e o que fica é o hábito.

Como as pessoas mudam depois de começar é algo medido quase só em caixas de som, dentro de casa. Num estudo de três semanas, 7 pessoas idosas ganharam um Echo Dot. Os comandos por semana caíram um terço: 59,6, depois 50,1, depois 39,7.

A música caiu de 23,9% dos comandos para 2,9%, enquanto previsão do tempo e listas de compras cresceram. Uma participante contou que no começo “se sentia boba falando com essa máquina”; no fim, os sete disseram se sentir mais confiantes e que continuariam usando.⁴²

Registros mais longos mostram outra coisa. No histórico do Google Home de 18 famílias, com média de 58 semanas, o uso se manteve bem estável. Três famílias pararam de usar a caixa de som por semanas logo depois da compra — por privacidade, falta de utilidade ou um hábito que não pegou — e depois voltaram.

As famílias que desistiram de vez não foram estudadas. O uso para controlar a casa cresceu à medida que as famílias compravam mais aparelhos inteligentes.⁴³

Quando as pessoas se afastavam, era por utilidade, confiabilidade ou privacidade, não porque falar em casa parecesse constrangedor.

Uma revisão de 69 artigos sobre aceitabilidade social observa que ela muda à medida que as pessoas se acostumam a uma interação, mas só três deles acompanharam pessoas usando uma interface no dia a dia; a maioria pediu que imaginassem a situação, ou testou uma única vez em laboratório.⁴⁴

Essa é a lacuna central desta página. Não encontrei nenhum estudo que acompanhe pessoas que passaram a ditar no trabalho e meça, semana a semana, como muda o constrangimento delas.

A cultura decide quão alto a voz pode soar

Responder a uma mensagem com um áudio ou com texto depende muito de onde você mora.

Numa pesquisa da YouGov de 2023 em 17 mercados, 66% preferiam enviar mensagens por texto e 7% por áudio. A preferência pelo texto era mais forte no Reino Unido (83%), na Dinamarca (80%) e na Suécia (78%) e mais fraca nos Emirados Árabes Unidos (38%); na Espanha, 54% preferiam texto e 13% áudio.⁴⁵

O celular passou pela mesma coisa vinte anos atrás. Numa comparação de 2007 entre estudantes de cinco culturas numa mesma universidade do Havaí, falar ao telefone no ônibus recebeu nota 2,53 de 5 entre os estudantes do Japão, contra 3,50 entre os da Suécia e 3,44 entre os do território continental dos EUA.⁴⁶

O Japão fixou uma regra clara — nada de voz no trem, e-mail pode — e se afastou da voz em público assim que surgiu uma alternativa silenciosa.

Nos EUA, em 2006, 82% se irritavam ao menos de vez em quando com telefonemas em voz alta em público, e a parcela dos que davam com eles com frequência caiu de 50% para 39% até 2012.⁴⁷

Em 2014, usar o celular era aceitável na rua para 77% dos americanos, no transporte público para 75%, num restaurante para 38% — e numa reunião para 5%.⁴⁸ A mudança veio dos dois lados: quem estava em volta ficou mais tolerante, e quem ligava passou a falar mais baixo. E ela parou na porta da sala de reunião.

O escritório está aprendendo a sussurrar

Em 2026, o ditado com IA chegou aos escritórios, e os primeiros relatos são histórias, não números. A Bloomberg descreve como ele se espalha de uma mesa para a vizinha, com microfones de haste flexível aparecendo e o sussurro começando.⁴⁹

Um analista citado pela Computerworld aponta a vergonha e o medo de distrair os colegas como uma grande barreira comportamental. A Thumbtack, empresa totalmente remota, deu o Wispr Flow a mais de 200 funcionários.

O diretor de tecnologia da empresa admite que se acostumar a falar em voz alta, mesmo sozinho numa sala, levou tempo.⁵⁰

O mercado não está esperando a norma mudar. Está deixando a voz mais baixa. O Wispr Flow vende um modo sussurro e recomenda falar a cerca de um centímetro do microfone.⁵¹

A pesquisa foi além ainda em 2018: o SilentVoice, da Microsoft, reconhecia comandos curtos falados enquanto se inspira o ar, vazando menos de 39 decibéis de som, com 1,8% de palavras erradas para um falante treinado e 7% para um novato.⁵²

As pessoas trocam precisão por silêncio. Num experimento de 2021, 12 pessoas se mostraram tão dispostas a usar a fala silenciosa — articular as palavras sem som — com 10–15% de erros injetados de propósito quanto sem erro nenhum.

Já a disposição de falar em voz alta caía. Todos os 12 atribuíram isso à privacidade e à segurança.⁵³

O que avança mais rápido não é a coragem das pessoas. É a voz, que fica mais baixa.

O único lugar onde se mede em escala: as anotações dos médicos

A medicina é o único campo em que a entrada por voz apoiada em modelos de IA foi medida em milhares de pessoas. Os escribas de IA “ambientes” ouvem a consulta em segundo plano e redigem um rascunho da anotação.

No maior estudo, publicado na JAMA em abril de 2026, cerca de 1.800 usuários, comparados a 6.770 não usuários, economizaram 16 minutos de documentação a cada 8 horas de consultas, cerca de 10%, sem mudança significativa no trabalho fora do expediente.

Só 32% usaram o escriba em mais da metade das consultas.⁵⁴ Num ensaio randomizado com 238 médicos, um escriba reduziu o tempo por anotação em 41 segundos, contra 18 segundos no grupo de controle, e outro não fez diferença significativa.⁵⁵

O burnout caiu de 51,9% para 38,8% em 30 dias, num estudo sem grupo de controle.⁵⁶

As anotações conferidas à mão tinham omissões em 18% dos casos e detalhes inventados em 11,5%; 5,3% tinham um erro capaz de causar dano grave.⁵⁷ A voz poupou mais atenção do que minutos, e o preço é conferir o texto.

Os experimentos que ninguém fez ainda

Não são buracos pequenos. Cada cartão abaixo é uma pergunta que esta página quis responder com um número e não conseguiu, porque nenhum estudo mediu isso.

• Uma pesquisa que conte o ditado

  Nenhuma pesquisa com amostra aleatória mede o ditado ou a conversa por voz com IA como comportamento à parte. A curva de crescimento se apoia no que as empresas afirmam.

• A dose vocal do ditado

  Ninguém mediu o tempo de fonação nem a tensão vocal em quem dita por horas com os apps de hoje.

• Uma quantidade segura por dia

  Não existe um limite baseado em evidências de quantas horas de fala por dia são seguras para a voz.

• As mãos depois da troca

  Nenhum ensaio randomizado mostra que trocar o teclado pela voz previne ou trata lesões por esforço nas mãos.

• Compor na mesa

  Não há comparação controlada entre escrever por voz e num teclado físico com o reconhecimento moderno. Os melhores dados são de 1983 e 1999.

• Um dia inteiro falando

  Nenhum estudo de diário ou de longo prazo acompanha pessoas que trabalham principalmente pela voz e mede o cansaço mental delas.

• Perder a timidez no trabalho

  Nenhum estudo de campo acompanha, semana a semana, novos usuários de ditado num escritório. Todos os estudos de longo prazo sobre hábito tratam de caixas de som em casa.

Como isto foi verificado e o que ficou de fora

Eu desenvolvo o Speak-Y, um app de entrada por voz e gravação de reuniões, e há um banner dele no fim desta página. Isso é motivo para ler este estudo com desconfiança.

Por isso, todo número que vem de uma empresa falando de si mesma — inclusive empresas de ditado que concorrem com a minha — está marcado no texto e aparece hachurado nos gráficos.

A pesquisa foi feita em setembro de 2026 em torno de quatro perguntas: adoção, velocidade e precisão, cansaço e pensamento, aceitabilidade social. Cada número foi rastreado até a fonte original sempre que possível.

Amostras pequenas foram mantidas, porque são o que existe, mas o tamanho da amostra sempre aparece ao lado do número.

Minha leitura do quadro todo, e é uma opinião: o ditado vai se tornar normal em casa, no carro e numa sala só sua, continuar disputado no escritório aberto e seguir ausente das reuniões, exatamente como aconteceu com o telefonema. O que mudaria isso não são pessoas mais corajosas, e sim uma voz mais baixa.