Benchmark de Speech-to-Text: Deepgram vs. Whisper

Avaliamos os principais provedores de speech-to-text (STT), com foco específico 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 speech-to-text

Com base nos resultados da taxa de erro de palavras (WER) e da taxa de erro de caracteres (CER), o GPT-4o-transcribe demonstra a maior precisão de transcrição entre todos os sistemas de speech-to-text avaliados. O Deepgram Nova-v3 e a 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 e em uma amostra longa, por isso conduzimos 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 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 consistente: 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 falante fala em inglês na primeira metade do vídeo; uma música toca ao fundo.

Especificações de áudio:

• Formato: WAV
• Canais: 2 (Estéreo)
• Largura da amostra: 16-bit
• Taxa de amostragem: 48 kHz
• Bitrate consistente: 1536 kbps

Métricas de avaliação

Usamos a taxa de erro de palavras (WER) e a taxa de erro de caracteres (CER) como métricas de avaliação da precisão da transcrição. A taxa de erro de palavras 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 no ground truth

A fórmula calcula o número mínimo de operações no 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 caracteres (CER) é calculada dividindo o número total de erros no nível de caractere (incluindo inserções, exclusões e substituições) pelo número total de caracteres no texto de referência.

Usamos APIs de speech-to-text para transcrever arquivos de áudio em texto.

O tamanho máximo do arquivo de entrada por vez entre os provedores é mostrado na tabela:

*Como o Vosk é executado localmente, não há limite para o tamanho do arquivo de entrada. No entanto, arquivos de áudio longos podem exceder o limite do beam, fazendo com que algumas probabilidades sejam perdidas. Portanto, recomenda-se dividir os arquivos em segmentos de 1 a 2 minutos.

Google MedASR também opera localmente e não impõe limite de tamanho máximo de arquivo. Para desempenho ideal e gerenciamento de recursos, recomenda-se processar arquivos longos em segmentos menores.

Observação: para provedores com limites menores de tamanho de arquivo (como Google e OpenAI), arquivos de áudio maiores devem ser divididos em partes menores antes do processamento. Fizemos 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 usada 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 speech-to-text?

O processo de transcrição inclui:

• Os dados de áudio são enviados ou transmitidos para a ferramenta de speech-to-text
• 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 speech-to-text
• O texto transcrito é então exibido ao usuário.

Perguntas frequentes

Não perca os nossos benchmarks e insights baseados em dados. O botão abre o Google; selecionar a AIMultiple confirma que deseja ver a AIMultiple com mais frequência nos resultados de pesquisa do Google.

Adicionar como fonte preferencial

Leitura adicional

• 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 Speech-to-Text: Deepgram vs. Whisper}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/speech-to-text}},
  note   = {AIMultiple. Acessado em 21 agosto 2026}
}

Registro de alterações

1 atualizações

2025

1. 20 out

   Resultados de benchmark atualizados na seção "Resultados de benchmark".

Cem Dilmegani

Analista Principal

Siga-nos

Cem é o analista principal da AIMultiple desde 2017.

O trabalho de Cem na AIMultiple foi citado por publicações globais líderes, incluindo Business Insider, Forbes, Morning Brew e Washington Post, por empresas globais como Deloitte e HPE, ONGs como o World Economic Forum e organizações supranacionais como a European Commission. [1], [2], [3], [4], [5]

Ao longo de sua carreira, Cem atuou como consultor de tecnologia, comprador de tecnologia e empreendedor de tecnologia. Ele aconselhou empresas sobre suas decisões de tecnologia na McKinsey & Company e na Altman Solon por mais de uma década. Ele também publicou um relatório da McKinsey sobre digitalização.

Ele liderou a estratégia de tecnologia e as compras de uma operadora de telecomunicações, reportando-se ao CEO. Ele também liderou o crescimento comercial da empresa de deep tech Hypatos, que atingiu uma receita recorrente anual de 7 dígitos e uma avaliação de 9 dígitos partindo do zero em 2 anos. O trabalho de Cem na Hypatos foi coberto por publicações de tecnologia líderes como TechCrunch e Business Insider.

Cem fala regularmente em conferências internacionais de tecnologia. Ele se formou como engenheiro da computação pela Bogazici University e possui um MBA pela Columbia Business School.

Ver perfil completo

Pesquisado por

Şevval Alper

Pesquisadora de IA

Siga-nos

Şevval é pesquisadora de IA na AIMultiple. Ela tem experiência anterior de pesquisa em geração de números pseudoaleatórios usando sistemas caóticos.
Şevval se concentra em ferramentas de codificação de IA, agentes de IA e tecnologias quânticas.

Ver perfil completo

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.

Nome

Endereço de email

Comentário

0/450

Postar comentário