A taxa de erro de palavras (WER, na sigla em inglês) é a medida padrão de precisão do reconhecimento de voz: a porcentagem de palavras que o modelo transcreve errado. Os principais modelos de 2026 ficam abaixo de 5% de erro em áudio profissional limpo, mas o desempenho real varia de 3 a 4 vezes conforme a gravação, o vocabulário e a arquitetura do modelo. Veja o que os benchmarks mostram e o que decide se a sua gravação chega a 95% ou para em 75% de precisão.
Dois usos diferentes de reconhecimento de voz
O termo cobre dois casos que funcionam de jeitos diferentes por dentro:
1. Ditado ao vivo. Você fala e o texto aparece na hora. É a digitação por voz do Google Docs, a Siri, a digitação por voz do Windows e as ferramentas de acessibilidade. Aqui a prioridade é a latência: o resultado aparece em menos de um segundo porque o áudio é processado em pedaços pequenos.
2. Transcrição de arquivos de áudio. Você tem uma gravação completa e quer o texto completo, como em entrevistas, reuniões, podcasts e aulas. Aqui a prioridade é a precisão: o modelo enxerga o áudio inteiro antes de gerar o texto, o que melhora bastante o resultado.
No sipsip.ai, o foco é o segundo caso: transcrever arquivos de áudio e de vídeo já gravados, em que a precisão vale mais do que a velocidade em tempo real.
Como funciona o reconhecimento de voz moderno
A geração atual de reconhecimento de voz usa arquiteturas transformer, o mesmo desenho básico dos grandes modelos de linguagem, aplicado ao áudio em vez do texto.
1. Pré-processamento do áudio. A onda sonora vira um espectrograma mel: uma imagem em que o eixo horizontal é o tempo, o vertical é a frequência e o brilho de cada ponto é a energia naquela frequência e naquele instante. É isso que o modelo "vê".
2. Codificador. Um codificador transformer processa o espectrograma e monta uma representação interna rica do áudio, captando fonemas, entonação, ritmo e contexto ao longo de toda a sequência.
3. Decodificador. Um decodificador transformer gera o texto pedaço por pedaço, usando a representação do áudio e o texto já gerado. Esse processo é o que mantém o contexto em frases e parágrafos longos.
4. Pós-processamento. A saída bruta costuma vir toda em minúsculas e sem pontuação. O pós-processamento acrescenta maiúsculas, pontuação e formatação, com um modelo de linguagem separado ou dentro do próprio treinamento do decodificador.
O salto que tornou o reconhecimento de voz moderno tão melhor foi o pré-treinamento em larga escala com áudio variado. O Whisper, da OpenAI, foi treinado em 680 mil horas de áudio em vários idiomas, muito mais do que os modelos anteriores, e por isso lida bem com sotaques, idiomas e condições de gravação em que os sistemas antigos falhavam. O guia sobre o Whisper AI mostra como usar o modelo e as ferramentas open source construídas sobre ele.
Whisper x Deepgram: as duas abordagens dominantes
OpenAI Whisper (open source)
- Treinado em 680 mil horas de dados multilíngues
- Disponível em cinco tamanhos (tiny → large-v3)
- Desempenho multilíngue excelente, com 99 idiomas
- Referência em inglês com sotaque e vocabulário especializado
- Mais lento que o tempo real na CPU; GPU necessária para velocidade de produção
- Taxa de erro em benchmarks padrão: ~3–5% (large-v3)
Deepgram Nova-2 (API comercial)
- Feito para produção: rápido e com transmissão ao vivo
- Melhor separação de falantes que o Whisper
- Latência menor para aplicações ao vivo
- Segundo os benchmarks da Deepgram, o Nova-2 fica abaixo de 10% de erro em áudio profissional
- O sucessor, Deepgram nova-3, é o modelo que o sipsip.ai usa para transcrever áudio e vídeo
Cada um vence num terreno. O Whisper ganha em fala multilíngue e com sotaque. O Nova-2 ganha em uso ao vivo e em áudio com várias pessoas.
O que define a precisão do reconhecimento de voz
A escolha do modelo pesa menos do que se imagina. Os fatores que mais influenciam, em ordem de impacto:
1. Qualidade da gravação (o maior fator). Fala clara, pouco ruído de fundo e o microfone bem posicionado explicam a maior parte da variação. Um microfone USB simples numa sala silenciosa supera um microfone caríssimo num escritório aberto e barulhento.
2. Clareza da fala. Fala rápida, pessoas falando ao mesmo tempo, sotaque forte ou fala embolada reduzem a precisão. Falar num ritmo natural funciona melhor do que tentar "falar para o microfone".
3. Vocabulário do assunto. Modelos gerais são treinados com fala do dia a dia. Termos técnicos (medicina, direito, engenharia, nomes de marcas) podem sair errados. Existem modelos específicos para medicina e direito, mas os modelos gerais, especialmente o Whisper large-v3, melhoraram muito com vocabulário técnico.
4. Codificação do áudio. Áudio em bitrate alto (WAV, FLAC, MP3 de boa qualidade) é transcrito com mais precisão do que áudio muito comprimido (codecs de ligação telefônica, MP3 de bitrate baixo). Se a gravação é para transcrever, exporte a 128 kbps ou mais.
Taxa de erro por tipo de gravação
O mesmo modelo produz taxas de erro muito diferentes conforme a gravação. Números do processamento de áudio no sipsip.ai:
| Tipo de gravação | WER Whisper large-v3 | WER Deepgram Nova-2 | Observação |
|---|---|---|---|
| Estúdio ou sala silenciosa, uma pessoa | 3–5% | 4–7% | Perto da precisão humana |
| Entrevista profissional com microfone | 5–8% | 5–8% | Pouca edição necessária |
| Gravação externa com ruído ambiente | 10–18% | 12–20% | Redução de ruído ajuda |
| Ligação telefônica ou VoIP | 12–22% | 8–15% | Nova-2 lida melhor com o codec |
| Reunião com várias pessoas | 15–25% | 8–15% | Vantagem do Nova-2 na separação de falantes |
| Inglês com sotaque, falante não nativo | 8–15% | 12–20% | Vantagem do treinamento multilíngue do Whisper |
| Vocabulário técnico | 8–15% | 10–18% | Modelos especializados reduzem bastante |
Observação: os números são aproximados e variam conforme o áudio. Eles refletem médias do volume de produção do sipsip.ai.
Como aumentar a precisão do reconhecimento de voz
Os maiores ganhos vêm de fatores que você controla, mais do que da troca de modelo:
1. Grave a 16 kHz ou mais. A maioria dos modelos reduz o áudio para 16 kHz internamente. Gravar acima disso mantém a mesma precisão, e gravar abaixo (ligações, áudio comprimido) piora o resultado de forma visível.
2. Reduza o ruído na origem. Um microfone direcional ou um fone com cancelamento de ruído numa sala silenciosa vence qualquer pós-processamento caro numa gravação barulhenta. A fala encoberta pelo ruído durante a captura se perde para o modelo.
3. Fale num ritmo natural. Tanto desacelerar de propósito quanto acelerar aumentam o erro. O ritmo de conversa, por volta de 130 a 150 palavras por minuto, é o que a maioria dos modelos espera.
4. Escolha o modelo certo para o conteúdo. Whisper large-v3 para conteúdo multilíngue, com sotaque ou técnico. Deepgram Nova-2 para reuniões com várias pessoas ou uso ao vivo. Com áudio bom, a diferença entre os modelos diminui: abaixo de 10% de erro, os dois exigem um esforço de revisão parecido.
5. Exporte em bitrate alto. WAV ou FLAC para gravações de arquivo. MP3 a pelo menos 128 kbps, porque compressões menores criam artefatos que o modelo confunde com ruído. Para trocar de formato antes de transcrever, o WAV para MP3 e o Converter vídeo em MP3 funcionam direto no navegador.
Ferramentas de reconhecimento de voz em 2026
Conhecer a arquitetura ajuda; saber qual ferramenta usar é mais prático.
Para transcrever arquivos gravados
Transcrever áudio, do sipsip.ai. A opção hospedada mais completa, da equipe por trás do AI-Video-Transcriber, projeto open source com mais de 3.300 estrelas no GitHub. Envie MP3, MP4, WAV ou M4A e receba uma transcrição limpa, com identificação de quem fala, marcação de tempo, resumo por IA e pontos-chave. Transcrição com Deepgram nova-3. Créditos grátis, sem cartão. Para áudios do WhatsApp e gravações do celular, há também o Transcrever áudio do WhatsApp.
API do Whisper (OpenAI). Acesso direto à API por US$ 0,006 por minuto. Boa para desenvolvedores que querem controlar o formato da saída. Funciona em lote, sem transmissão ao vivo, e o limite de 25 MB por chamada exige dividir áudios longos.
AssemblyAI. US$ 0,012 por minuto, com separação de falantes, análise de sentimento e capítulos automáticos como adicionais. Separa falantes melhor que o Whisper em entrevistas com duas pessoas.
Para transcrição ao vivo
API de streaming do Deepgram Nova-2. Primeira palavra em menos de 300 ms. A escolha padrão para transcrição ao vivo em produção. US$ 0,0059 por minuto em streaming.
Otter.ai. Transcrição ao vivo voltada ao consumidor, para reuniões. Mostra o texto durante chamadas no Google Meet, no Zoom e no Teams. 300 minutos por mês grátis.
Google Cloud STT v2. Indicado para equipes que já usam o Google Cloud e priorizam a integração.
Para transcrição revisada por pessoas
Rev. Transcrição por IA a US$ 0,02 por minuto; revisada por pessoas a US$ 1,25 por minuto, com mais de 99% de precisão. Compensa em conteúdo jurídico, médico ou de arquivo.
A decisão real está no processo, mais do que no modelo. O mesmo Whisper large-v3 pode entregar de 3% a 20% de erro, dependendo de você aplicar redução de ruído antes, uma revisão com LLM depois e uma boa separação de falantes. A maioria das comparações de "qual IA é a melhor" deixa isso de lado: a ferramenta em volta do modelo importa tanto quanto o modelo.
Para gravar com boa qualidade desde o início, veja como gravar reunião no Zoom e como gravar ligação no iPhone.
