Pular para o conteúdo
forkbell

Registrar comida por voz: o que isso realmente resolve

A parte lenta de registrar não é digitar, é escolher entre itens do banco de dados. Por que falar a refeição elimina essa etapa e onde a voz ainda falha.

Por Gajendra Singh Rathore5 min de leitura

A resposta curta

  • A parte lenta de registrar é a busca e a escolha entre resultados, não a digitação; a voz só ajuda se eliminar essas etapas.
  • Falar uma refeição inteira numa frase resolve vários itens de uma vez, e é daí que vem a economia de tempo.
  • Funciona melhor quando o sistema conhece as suas porções calibradas, para que 'uma katori de dal' signifique a sua katori.
  • Ainda assim, a voz não tem como saber quanto óleo foi para o prato, que continua sendo a maior variável da comida caseira.

A possibilidade de registrar comida por voz costuma ser apresentada como um recurso de conveniência. É mais interessante do que isso, porque o que ela elimina é o verdadeiro gargalo do registro alimentar.

A parte lenta não é digitar

Cronometre uma sessão normal de registro e observe para onde vão os segundos.

Digitar "dal" leva dois segundos. Rolar por quarenta resultados, comparar três deles, decidir qual descreve o seu dal (ensopado de lentilhas) e depois definir a quantidade leva quarenta. Depois você repete tudo para o roti (pão chato indiano), a sabzi (refogado de legumes) e o iogurte.

A etapa de busca e escolha é o custo, e ela se repete a cada item. Qualquer método de entrada que não a elimine é uma melhoria marginal, e é por isso que ditar numa caixa de busca não economiza quase nada.

O que realmente ajuda

Descrever uma refeição inteira numa frase e vê-la virar vários registros.

"Dois rotis, dal, uma katori (tigela pequena) de iogurte, meio prato de quiabo" é uma interação só, cobrindo quatro alimentos. Se o sistema interpreta a frase, encontra cada item e aplica os seus próprios tamanhos de porção, a refeição fica registrada em uns três segundos.

Esse é um produto diferente da voz usada como busca, e é a única versão que vale a pena.

Depende de conhecer as suas porções

"Uma katori de dal" não significa nada sem saber qual katori.

Os sistemas que funcionam são aqueles em que você calibrou uma vez (sua katori tem 180 g, seu roti tem 42 g, sua porção de arroz tem 205 g) e tudo o que você diz depois é resolvido com base nesses números. Esse é o princípio da medida caseira, e ele está descrito do lado manual em como contar calorias sem balança de cozinha.

Sem essa calibração, a entrada por voz produz um registro rápido com a porção de um desconhecido, o que é rápido e errado.

Onde ainda falha

O óleo. Nenhum método de entrada sabe quanta gordura foi para um prato que você descreve em palavras. Essa continua sendo a maior variável da comida caseira, e precisa ser resolvida calculando suas receitas uma vez: quanto óleo realmente tem no seu curry.

Comida de restaurante. "Butter chicken" informa ao sistema o prato, não a cozinha. Uma estimativa padrão é a resposta honesta, como explicado em como registrar uma refeição de restaurante que você não cozinhou.

Descrições ambíguas. "Uma tigela de cereal" e "um pouco de arroz" não são quantidades, e um sistema que atribui um número a elas em silêncio está inventando dados.

Ambientes barulhentos e sotaques. A qualidade do reconhecimento varia, e um registro mal interpretado que passa despercebido é pior do que um registro lento.

Comparado com fotos

A voz carrega uma informação que a foto não tem: você conhece as suas porções, e a foto não.

Quem diz "uma katori de dal" forneceu uma quantidade calibrada. A foto da mesma tigela fornece uma imagem da qual profundidade e densidade precisam ser adivinhadas. A comparação está em qual é a precisão de contar calorias por foto?.

Fotos são melhores como registro visual e piores como forma de entrada. Usar as duas coisas (a foto para guardar, a voz ou os toques para registrar) é uma combinação razoável.

Comparado com refeições salvas

Para qualquer coisa que você come com frequência, uma refeição salva ainda é mais rápida do que falar: um toque contra uma frase.

A voz se justifica nas refeições variáveis, as que mudam de um dia para o outro e não têm um registro salvo para reaproveitar. A dieta da maioria das pessoas é uma mistura das duas, e é por isso que um app deve lidar bem com ambas, em vez de vender uma delas como o recurso principal.

O teste

A pergunta a fazer a qualquer recurso de voz é simples: consigo falar uma refeição inteira e vê-la registrada sem tocar na tela?

Se sim, ele vai economizar tempo de verdade todos os dias. Se só preenche uma caixa de busca, é uma conveniência que não ataca o motivo de o registro ser lento, e não vai mudar se você ainda estará contando calorias no terceiro mês, que é o critério de como escolher um app de contar calorias que você não abandona.

Perguntas frequentes

Registrar comida por voz é mais rápido do que digitar?
Só se eliminar a etapa da busca. Ditar o nome de um alimento numa caixa de busca economiza alguns segundos; descrever uma refeição inteira numa frase e vê-la convertida em vários registros economiza a maior parte da interação, que é onde o tempo realmente vai.
Qual é a precisão do registro de comida por voz?
A mesma da interpretação por trás dele. Reconhecer as palavras é um problema praticamente resolvido; transformar 'uma katori de dal' em uma quantidade e em um item do banco de dados é a parte difícil, e funciona melhor quando o app conhece as suas porções calibradas.
O registro por voz funciona para comida indiana?
Depende inteiramente de o banco de dados e o interpretador por trás lidarem com pratos indianos e medidas caseiras. Um app que entende 'dois rotis, dal, uma katori de iogurte' é útil; um que exige buscar cada item separadamente, em gramas, não é.
O que o registro por voz não consegue fazer?
Ele não tem como saber quanto óleo foi para o prato, qual o tamanho do seu roti se você não tiver informado, nem o que um restaurante colocou no molho. Esses continuam sendo problemas de estimativa, qualquer que seja o método de entrada.

Fontes

  1. 1.Indian Food Composition Tables 2017 — ICMR–National Institute of Nutrition
  2. 2.FoodData Central — USDA Agricultural Research Service