O que acontece quando você tenta separar o que é dito das imagens
Eu passei as últimas duas semanas refatorando um pipeline de análise multimodal porque a ferramenta que estávamos usando estava confundindo completamente os dois tipos de texto. Não foi uma falha óbvia — ela simplesmente classificava legendas de gráficos como texto verbal quando o contexto visual era dominante, e invertia o problema com ícones acompanhados de labels pequenos. A correção envolveu mais regras de heurística do que qualquer modelo de linguagem conseguiu resolver sozinho. A distinção entre texto verbal e não verbal parece simples na teoria, mas na prática ela depende inteiramente de como o conteúdo é estruturado e qual é o objetivo da análise. Se você está lendo um contrato, tudo ali é texto verbal. Se você está analisando um infográfico de segurança no trabalho, as setas, cores e símbolos compõem o texto não verbal, enquanto os rótulos numéricos são texto verbal. O mesmo material pode ser processado de formas diferentes dependendo da lente que você escolhe.
texto verbal e não verbal na prática
Vou explicar peloavesso, porque é assim que funciona quando você realmente precisa aplicar isso. Pense primeiro no texto verbal: é qualquer sequência de palavras organizadas segundo regras gramaticais, seja impressa ou falada. Manuais técnicos, e-mails, posts em redes sociais, roteiros de vídeo — tudo isso carrega informação pela língua em si. O conteúdo semanticamente explícito. O texto não verbal é tudo o que transmite significado sem usar palavras. Símbolos, ícones, cores, tipografia, diagramação, gestos, posição de elementos na tela. Um triângulo amarelo com borda preta comunica "perigo" sem escrever a palavra perigo. Uma linha vermelha sublinhando um termo em um formulário já é uma mensagem em si mesma.
O problema é que esses dois caminham juntos na maioria dos materiais reais. Eu estava trabalhando em uma análise de manuais de equipamentos industriais onde cada página tinha uma foto da peça, uma seta indicativa, um número de referência e uma descrição textual ao lado. Separar o que era verbal do não verbal parecia trivial até eu encontrar aquelas páginas onde o número de referência estava dentro de um círculo colorido e a seta vinha do próprio círculo, não do texto. O modelo classificava o círculo como gráfico e ignorava que ele carregava informação semântica direta — o código da peça. A correção foi tratar todo elemento com função de rotulagem como texto não verbal verbalizável, independente do formato visual. O que a maioria das pessoas não considera é que o texto não verbal pode ser mais restritivo do que o verbal. Um símbolo de proibição é universalmente compreensível em três segundos. Uma frase explicando a mesma proibição pode levar trinta segundos e ainda assim ser ambígua. Isso é particularmente relevante em sinalização de segurança, interfaces de software e documentações técnicas onde o tempo de leitura importa.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Outra armadilha comum é achar que texto não verbal é menos importante. Na verdade, em muitos contextos ele carrega mais peso persuasivo ou informativo. Um gráfico mal construído pode fazer um texto verbal perfeito parecer Conclusão equivocada. A disposição espacial dos elementos em uma tela muitas vezes determina como o leitor interpreta o conteúdo textual, não o contrário. Se você precisa analisar ou classificar esses elementos automaticamente, começar com regras baseadas em tipo de arquivo e metadados é mais rápido do que treinar um modelo do zero. Eu costumo usar uma abordagem híbrida: primeiro identifico regiões de imagem com OCR para capturar o texto verbal embutido em gráficos e interfaces, depois aplico regras de detecção de formas geométricas e padrões de cor para mapear os elementos não verbais. O processo leva cerca de 10 minutos para um lote de cem documentos quando o pipeline está configurado, contra horas se você depender exclusivamente de Classificação por modelo.
Existem limitações sérias nessa abordagem. OCR falha consistentemente em fontes estilizadas, texto curvado sobre superfícies irregulares ou imagens com baixo contraste. A detecção de elementos não verbais por regras também quebra quando o design foge do padrão — layouts assimétricos, sobreposições intencionais e ícones customizados geram falsos positivos que só são corrigidos com revisão manual. Nesses casos, o fallback é anotação supervisada, que eleva o tempo de processamento para cerca de 4 horas por cem documentos. Para documentação técnica e materiais institucionais, recomendo manter os dois tipos de texto separados desde a fase de produção. Criadores de conteúdo frequentemente misturam labels em fontes que o OCR não lê bem, ou usam ícones com significados ambíguos que dependem exclusivamente do texto verbal adjacent para serem compreendidos. Isso gera retrabalho significativo na fase de análise posterior.
A chave é tratar texto verbal e não verbal como camadas complementares, não como categorias isoladas. Cada uma tem pontos cegos que a outra preenche, e tentar forçar uma classificação binária rígida raramente funciona fora de contextos altamente controlados.
