O audio de WhatsApp de 4 minutos (e outros crimes que o Código Penal aínda non recolle)

Vou empezar cunha confesión: eu tamén enviei audios de catro minutos.
Xa está.
Díxeno.
Un deles, concretamente, empezaba con "bo, dígocho rápido".
Duraba 4:12.
No minuto dous estaba explicando por que aparcara onde aparcara.
No tres, despedinme.
No tres e medio, volvín, porque se me esquecera o importante.
A persoa que o recibiu aínda me saúda, o que di moito dela…
Así que esta newsletter non vai de sinalar a ninguén.
Vai de algo peor.
De recoñecernos.

A anatomía do audio

O peor: case calquera audio longo de WhatsApp ten a mesma estrutura.
Coma as traxedias gregas.
Ou os capítulos dunha telenovela venezolana.

• Primeiro acto: o quecemento.
  "Ola, boas… bo, nada, oe… a ver… que tal? Ben, non? Bo, mira, cóntoche."
  Pasaron 18 segundos.
  Non che contou nada.
  Preguntoute que tal e respondeuse a si mesmo.
  Isto, en calquera outra canle de comunicación humana, sería motivo de preocupación clínica.
  En WhatsApp é o protocolo estándar.

• Segundo acto: o contexto que ninguén pediu.
  "É que resulta que o outro día estaba eu coa miña cuñada, que xa sabes que a miña cuñada agora traballa en Padrón, bo, traballa non, está de substituta, e díxome que…"
  Ti só querías saber se lle viña ben quedar o martes ás cinco.
  Agora sabes a situación laboral da súa cuñada.
  Non a pediches.
  Non a necesitabas.
  Non a vas esquecer.
  Ou quizais si…

• Terceiro acto: o ruído de fondo.
  Unha bucina.
  Un can.
  Unha Thermomix.
  Alguén berrando "¡¿CON QUEN FALAS?!".
  O vento da Lanzada entrando polo micrófono coma se estivese gravando desde o ollo do furacán.
  Neste punto, o audio deixa de ser unha mensaxe e convértese nun documental de son ambiente.

• Cuarto acto: a información.
  Once segundos.
  Once.
  Soterrados no minuto 2:47.
  "Entón o martes non, mellor o xoves."
  E xusto aí, un camión.
  Entendíchelo de milagre.
  Á terceira.

• Quinto acto: a despedida en bucle.
  "Bo, pois iso. Nada. Iso. Xa me dis. Veña. Un bico. Iso. Chao. Veña. Chao."
  Catro despedidas.
  Dun tirón.
  Sen publicidade no medio.
  Ninguén se despide catro veces en persoa.
  Se alguén che di "chao" catro veces na porta da túa casa, chamas a un médico.
  Pode ser un ictus.
  Nun audio, é o normal.

O problema serio (si, hai un)

Ata aquí, seguro que algo che soa.
Agora vén a parte na que che amargo o día.
Se tes un negocio, os audios longos non son unha anécdota.
Son unha fuga.

Fagamos unha conta de servilleta.
Desas que se fan no bar co bolígrafo do camareiro.
Supón que recibes dez audios ao día entre clientes, provedores, a xestoría e a túa nai.
Que tamén conta.
Ás veces, tanto coma todos os demais xuntos.
Supón que, entre escoitalos, volver a escoitalos por culpa do camión e apuntar o que che din, cómenche dous minutos cada un.
Vinte minutos ao día.
Non parece moito.
Vinte minutos é un café.

Agora multiplícao por uns 220 días laborables ao ano.
Saen 4.400 minutos.
Unhas 73 horas.
Case dúas semanas de traballo a xornada completa escoitando xente dicir "bo, nada, oe".
Dúas semanas.
Ao ano.
Poderías irte de vacacións con ese tempo.
Poderías aprender a facer empanada de verdade, a de masa fina, non a de gasolineira.
Poderías, con sorte, contestar as mensaxes a tempo.

E iso sen contar o peor: os audios non se poden buscar.
Se un cliente che dixo nun audio de hai tres semanas que era alérxico ao tinte, ou que o orzamento era "máis ou menos ata 800", esa información está atrapada nunha nota de voz.
Concretamente, entre un can e unha Thermomix.
Para atopala tes que volver a escoitalos todos.
Coma un arqueólogo, pero sen subvención.

Mentres tanto, en China…

Aquí vén a parte na que o que vive fóra che conta que fóra todo é mellor.
Tranquilo, non é do todo así.
Pero nisto, un pouco si.
En China, as mensaxes de voz son case deporte nacional.
Hai xente que fai negocios enteiros, pedidos de contedores incluídos, a base de notas de voz en WeChat.
E precisamente porque son tantos, fai anos que a aplicación ten un botón para converter o audio en texto.
Manteñendo premida a mensaxe, dáslle a "converter" e les en cinco segundos o que o teu interlocutor tardou dous minutos en dicir.
O teu provedor pode seguir falando desde o coche co intermitente.
Ti xa non tes que escoitalo.

Iso non é intelixencia artificial de película.
É recoñecemento de voz.
Unha tecnoloxía que leva anos funcionando.
Mentres aquí seguiamos apegándonos o móbil á orella na cola do súper.
Coma se estivésemos escoitando unha mensaxe da CIA.

Ollo, que WhatsApp xa transcribe os audios, tamén en galego.
Está nos axustes de chats, na opción de transcricións de mensaxes de voz.
Actívala unha vez e, a partir de aí, debaixo de cada audio aparéceche a opción de lelo.
Faise no propio teléfono, así que o audio non sae do teu móbil para transcribirse.
Só este xesto devólveche boa parte desas 73 horas.
Ler é moito máis rápido que escoitar.
E, sobre todo, podes ler en diagonal.
Ninguén escoitou nunca un audio en diagonal.

E para os que tedes o WhatsApp como centraliña

Se o teu negocio vive do WhatsApp (peiteadoría, clínica, taller, academia), o problema é outro nivel.
Non son dez audios da túa nai.
Son trinta audios de clientes que queren cita, cambiar unha cita ou preguntar o prezo de algo que está na túa web desde 2019.

Aí xa non abonda con transcribir.
Aí o sensato é que o sistema faga a transcrición, entenda o que se pide ("quere cambiar a cita do martes ao xoves") e cho deixe apuntado.
Ou que, directamente, ofreza o oco libre real do xoves e o confirme.
Mentres ti estás cortando o pelo, arranxando un coche ou dando clase.
Non mirando o móbil con cara de "agora non podo escoitar isto".
Non cho conto para venderche nada hoxe.
Cóntocho porque existe, porque funciona e porque me parece un pouco absurdo que en 2026 sigamos xestionando negocios enteiros coa orella apegada ao teléfono.

A parte incómoda: a solución tamén es ti

Última reflexión.
E esta doe.
Todo o anterior soluciona o problema de recibir audios.
Pero o problema de envialos segue sendo noso.
Así que che propoño un reto para esta semana.
Antes de mandar un audio, faite unha soa pregunta: "Isto cabe nunha frase?"
Se a resposta é si, escríbea.
"O martes non podo, vaiche ben o xoves ás 17?"
Son once palabras.
Lense en tres segundos.
Non hai intermitente.
Non hai can.
Non hai cuñada.

Se a resposta é non, e de verdade necesitas explicar algo longo, adiante.
Envía o audio.
Pero empeza polo importante.
Primeiro a conclusión, despois o contexto.
"Chámoche polo do orzamento: vale, pero necesito que baixe a 700. Cóntoche por que."
Así, o outro só escoita dez segundos.
Que, non te enganes, é o que vai facer.
Xa sabe o que quería saber.

E se aínda así mandas un de catro minutos… non pasa nada.
Eu tamén o fixen.
Xa cho dixen ao principio.
Pero polo menos, por favor, despídete unha soa vez.

Veña.

Iso.

Vémonos.

Chao.

Manu.

Subscríbete á newsletter de Ardeiro.AI →