Benchmark de Fala para Texto: Deepgram vs. Whisper
Nós realizamos um benchmark dos principais provedores de fala para texto (STT), com foco específico em aplicações de saúde. Nosso benchmark utilizou exemplos reais para avaliar a precisão da transcrição em contextos médicos, onde a exatidão é crucial.
Resultados do benchmark de fala para texto
Com base nos resultados da taxa de erro de palavra (WER) e da 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 apresentam bom desempenho, mantendo baixas taxas de erro em ambas as métricas.
Metodologia
Dataset
Queríamos avaliar o desempenho dos modelos em amostras pequenas e variadas, bem como em uma amostra longa, por isso realizamos duas tarefas:
Tarefa 1: Dados de voz da área da saúde
- Número total de amostras: 100
- Duração total: 9 minutos e 25 segundos
- Duração média por amostra: 5.65 segundos
- Conteúdo: Dados de voz da área da saúde, incluindo terminologia médica, interações com pacientes e discussões clínicas
- Variedade: Diferentes locutores, qualidade de áudio variável e diversos contextos médicos falados em inglês
Especificações de áudio:
- Formato: WAV
- Canais: 1 (Mono)
- Largura da amostra: 16-bit
- Taxa de amostragem: 16 kHz
- Bitrate constante: 256 kbps
- Faixa 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 ministrada por um médico, incluindo terminologia médica
- Variedade: Um locutor fala em inglês na primeira metade do vídeo; há música de fundo.
Especificações de áudio:
- Formato: WAV
- Canais: 2 (Stereo)
- Largura da amostra: 16-bit
- Taxa de amostragem: 48 kHz
- Bitrate constante: 1536 kbps
Métricas de avaliação
Utilizamos 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 exclusões
- I = Número de inserções
- N = Número total de palavras na referência
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. Quanto menor o WER, melhor a 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, exclusões e substituições) pelo número total de caracteres no texto de referência.
Utilizamos APIs de fala para texto para transcrever arquivos de áudio em texto.
O tamanho máximo de arquivo de entrada de cada vez para cada provedor é mostrado na tabela:
*Como o Vosk é executado localmente, não há limite no tamanho do arquivo de entrada. No entanto, arquivos de áudio longos podem exceder o limite do feixe, causando a perda de algumas probabilidades. 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 ideal e gerenciamento de recursos, 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. Realizamos isso na Tarefa 2.
Reconhecimento de fala
O reconhecimento de fala permite que os computadores transcrevam arquivos de áudio em texto usando algoritmos de aprendizado de máquina. A API de um serviço de transcrição pode ser utilizada com várias linguagens de programação para transcrição em lote. Essas plataformas oferecem suporte à 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 do uso do 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 funcionam as ferramentas de IA de fala para texto?
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 para o usuário.
Perguntas 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. As 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 da sua empresa. Alguns deles também oferecem créditos gratuito, mas recomendamos cautela em relação 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
Em seguida, os dados de áudio são 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:
Os algoritmos de aprendizado de máquina são treinados em grandes datasets de áudio e texto
Os algoritmos aprendem a reconhecer padrões na fala e convertê-los em texto
Os algoritmos podem ser fine-tuned e personalizados para casos de uso e idiomas específicos
Adicionar como fonte preferencialLeitura adicional
- Comparação dos 10 principais softwares de texto para fala
- Mais de 10 serviços de coleta de dados de fala
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}
}
A seguir, leia
Top 10 Software de Segurança de Endpoint
LLM Motores de Inferência: vLLM vs LMDeploy vs SGLang
GPU Software para IA: CUDA vs. ROCm
Melhores Ferramentas de Monitoramento de Desempenho de Banco de Dados: Top 5 Plataformas Comparadas
Benchmark e Análise de Documentação de TI
Os 25 Melhores Ferramentas de Controle de Versão
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.