Quando comecei a pesquisar audiodescrição no mestrado do PPGCOM/UFBA, a pergunta que me movia era simples: dá para confiar em uma máquina para descrever uma cena a quem não a enxerga? Dois anos depois, a resposta honesta é: depende de quem revisa.
A audiodescrição (AD) sempre foi um trabalho artesanal. Um roteirista assiste ao filme quadro a quadro, identifica o que importa narrativamente e encaixa descrições nos silêncios entre os diálogos. É lento, caro e depende de gente muito especializada. Em um catálogo de streaming com milhares de horas, fazer isso só na mão simplesmente não fecha a conta.
O que os modelos já fazem bem
Sistemas como o AutoAD, desenvolvido pelo grupo de visão computacional de Oxford, combinam análise de quadros com modelos de linguagem para gerar descrições automáticas. Nos meus testes, eles acertam com folga o básico: quem está em cena, onde, fazendo o quê. Para conteúdo factual e cenas de ação clara, o resultado sai utilizável com pouca edição.
Onde a máquina ainda tropeça
O problema aparece na camada de sentido. Um olhar trocado entre dois personagens, a escolha do diretor de fotografia de deixar metade do rosto na sombra, o detalhe que só ganha peso três cenas depois. Nada disso está "na imagem" de forma literal, e é exatamente isso que separa uma AD burocrática de uma AD que entrega a experiência do filme.
Por isso o fluxo que estudo não elimina o profissional: reposiciona. A IA gera o rascunho, o especialista vira curador. Valida, corta, reescreve onde a nuance pede. Na prática, isso reduz bastante o tempo de produção sem abrir mão da qualidade, e é esse equilíbrio entre escala e cuidado que me parece o futuro realista da acessibilidade em streaming.