Benchmark de Fala-para-Texto: Deepgram vs. Whisper
Avaliamos os principais provedores de fala-para-texto (STT), focando especificamente em aplicações de saúde. Nosso benchmark usou exemplos do mundo real para avaliar a precisão da transcrição em contextos médicos, onde a precisão é crucial.
Resultados do benchmark de fala-para-texto
Com base nos resultados de taxa de erro de palavra (WER) e taxa de erro de caractere (CER), o GPT-4o-transcribe demonstra a maior precisão de transcrição entre todos os sistemas de fala-para-texto avaliados. O Deepgram Nova-v3 e o Gladia também têm um desempenho forte, mantendo taxas de erro baixas em ambas as métricas.
Metodologia
Conjunto de dados
Queríamos avaliar o desempenho dos modelos em amostras pequenas e variadas e em uma amostra longa, então realizamos duas tarefas:
Tarefa 1: Dados de voz de saúde
- Número total de amostras: 100
- Duração total: 9 minutos e 25 segundos
- Duração média por amostra: 5,65 segundos
- Conteúdo: Dados de voz de saúde, incluindo terminologia médica, interações com pacientes e discussões clínicas
- Variedade: Diferentes falantes, qualidade de áudio variada e diversos contextos médicos falados em inglês
Especificações de áudio:
- Formato: WAV
- Canais: 1 (Mono)
- Largura da amostra: 16 bits
- Taxa de amostragem: 16 kHz
- Taxa de bits consistente: 256 kbps
- Intervalo de duração: ~4,5 a 11,5 segundos por arquivo
Tarefa 2: Uma aula de anatomia
- Número total de amostras: 1
- Duração total: 8 minutos e 35 segundos
- Conteúdo: Uma aula de anatomia dada por um médico, incluindo terminologia médica
- Variedade: Um falante fala em inglês na primeira metade do vídeo; música toca ao fundo.
Especificações de áudio:
- Formato: WAV
- Canais: 2 (Estéreo)
- Largura da amostra: 16 bits
- Taxa de amostragem: 48 kHz
- Taxa de bits consistente: 1536 kbps
Métricas de avaliação
Usamos a taxa de erro de palavra (WER) e a taxa de erro de caractere (CER) como métricas de avaliação para a precisão da transcrição. A taxa de erro de palavra é calculada como:
WER = (S + D + I) / N
Onde:
- S = Número de substituições
- D = Número de deleções
- I = Número de inserções
- N = Número total de palavras na verdade fundamental
A fórmula calcula o número mínimo de operações em nível de palavra necessárias para transformar a hipótese na referência, dividido pelo número de palavras na referência. Um WER menor indica melhor precisão, sendo 0% uma correspondência perfeita.
A taxa de erro de caractere (CER) é calculada dividindo o número total de erros em nível de caractere (incluindo inserções, deleções e substituições) pelo número total de caracteres no texto de referência.
Usamos APIs de fala-para-texto para transcrever arquivos de áudio em texto.
O tamanho máximo de arquivo de entrada de uma só vez pelos provedores é mostrado na tabela:
*Como o Vosk roda localmente, não há limite no tamanho do arquivo de entrada. No entanto, arquivos de áudio longos podem exceder o limite do feixe, fazendo com que algumas probabilidades sejam perdidas. Portanto, recomenda-se dividir os arquivos em segmentos de 1 a 2 minutos.
O Google MedASR também opera localmente e não impõe um limite máximo de tamanho de arquivo. Para desempenho e gerenciamento de recursos ótimos, recomenda-se processar arquivos longos em segmentos menores.
Nota: Para provedores com limites de tamanho de arquivo menores (como Google e OpenAI), arquivos de áudio maiores devem ser divididos em pedaços menores antes do processamento. Fizemos isso na Tarefa 2.
Reconhecimento de fala
Reconhecimento de fala permite que computadores transcrevam arquivos de áudio em texto usando algoritmos de aprendizado de máquina. A API de um serviço de transcrição pode ser usada com várias linguagens de programação para transcrição em lote. Essas plataformas suportam transcrição em tempo real e assíncrona.
A tecnologia de reconhecimento de fala tem inúmeras aplicações, incluindo transcrição, assistentes de voz e tradução de idiomas.
Benefícios de usar reconhecimento de fala para transcrição
- Transcrição rápida de arquivos de áudio
- Economia de tempo e esforço
- Transcrição e tradução em tempo real
- Acessibilidade para pessoas com deficiência
Como as ferramentas de IA de fala-para-texto funcionam?
O processo de transcrição inclui:
- Os dados de áudio são carregados ou transmitidos para a ferramenta de fala-para-texto
- Uso de algoritmos de aprendizado de máquina para analisar os dados de áudio e identificar padrões na fala
- A ferramenta converte a fala em texto usando um mecanismo de fala-para-texto
- O texto transcrito é então exibido ao usuário.
Adicionar como fonte preferencialPerguntas frequentes
A transcrição de áudio e gravações de vídeo pode ser usada em:
Assistentes de voz e assistentes virtuais
Tradução e interpretação de idiomas
Sistemas de fala-para-texto (ASR) para pessoas com deficiência
Seus modelos pré-treinados permitem o reconhecimento automático de fala (ASR) para arquivos de áudio e vídeo gravados. Transcrições de áudio de alta precisão incluem pontuação automática e detecção de tópicos.
Um mecanismo de código aberto ou um provedor de reconhecimento de fala de um serviço com o qual sua empresa já trabalha (ou seja, Google Cloud, AWS transcribe) pode ser escolhido como a solução de transcrição para as necessidades de sua empresa. Alguns deles também oferecem créditos gratuitos, mas recomendamos cautela quanto à segurança dos dados.
Uma API de fala-para-texto pode ajudar a transcrever arquivos de áudio em texto. Processamento e análise de dados de áudio:
Os dados de áudio são processados usando técnicas como redução de ruído e cancelamento de eco
Os dados de áudio são então analisados usando algoritmos de aprendizado de máquina para identificar padrões na fala
Os algoritmos usam modelos acústicos e modelos de linguagem para reconhecer palavras e frases faladas
Conversão de fala em texto usando algoritmos de aprendizado de máquina:
Algoritmos de aprendizado de máquina são treinados em grandes conjuntos de dados de áudio e texto
Os algoritmos aprendem a reconhecer padrões na fala e convertê-los em texto
Os algoritmos podem ser ajustados e personalizados para casos de uso e idiomas específicos
Leitura adicional
Cite este benchmark
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Alper, Şevval},
title = {{Benchmark de Fala-para-Texto: Deepgram vs. Whisper}},
year = {2026},
month = jan,
howpublished = {\url{https://aimultiple.com/speech-to-text}},
note = {AIMultiple. Acessado em 22 Janeiro 2026}
}
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.