Melhores modelos de fala para texto de 2026

Das 14 opções de modelos de fala para texto que analisamos, as melhores no momento são NVIDIA Nemotron 3.5 Transcribe, ElevenLabs Scribe v2 e Voxtral 3 (Transcribe and TTS). Cada uma aparece pela nossa nota, com preço, nosso veredito e para quem é indicada.

Por Andrew Miller · Atualizado em 2 de nov. de 2026 · Como avaliamos

Como montamos o ranking: pela nossa nota (máximo 5), com base em análises feitas a partir dos preços, da documentação e das políticas de cada produto, além de benchmarks independentes quando existem, cada uma verificada na data indicada na análise. Não recebemos comissão de afiliados.

1
NVIDIA Nemotron 3.5 Transcribe
Um modelo de fala aberto que iguala os melhores rivais abertos em precisão e reúne diarização, tradução e vocabulário personalizado em um único prompt, por $0,12 a hora na versão hospedada.
Ideal para: Equipes que transcrevem em volume chamadas gravadas, reuniões ou mídia e querem identificação de falantes e vocabulário de domínio sem costurar vários modelos.
Preço: Pesos abertos sob OpenMDW-1.1. DeepInfra: $0,002 por minuto de áudio ($0,12 por hora); o OpenRouter encaminha para a DeepInfra por cerca da mesma tarifa.
Leia nossa análise de NVIDIA Nemotron 3.5 Transcribe
4.5/5
2
ElevenLabs Scribe v2
O Scribe v2 transcreve com precisão e faz por você o trabalho de redação de dados e de falantes, mas a Microsoft agora vende precisão melhor por menos da metade do preço.
Ideal para: Produtos de reuniões, mídia e saúde que precisam de identificação de falantes e redação de dados, além de uma transcrição precisa.
Preço: API: Scribe v2 e v2 Medical US$ 0,22 por hora de áudio; Scribe v2 Realtime US$ 0,39 por hora; keyterm prompting acrescenta US$ 0,05 por hora. Planos a partir de US$ 6/mês incluem horas.
Leia nossa análise de ElevenLabs Scribe v2
4.4/5
3
Voxtral 3 (Transcribe and TTS)
Perto do topo em testes independentes de transcrição a um terço de centavo por minuto, com endpoints na UE; o lado da fala é apenas competitivo e desta vez nada tem pesos abertos.
Ideal para: Equipes que transcrevem grandes volumes de reuniões, chamadas ou mídia, especialmente na Europa, e querem precisão de primeira linha a baixo custo por minuto.
Preço: Mini Transcribe 3 a US$ 0,0035 por minuto; Small Transcribe 3 a US$ 0,0040 por minuto; Mini Transcribe Realtime 3 a US$ 0,008 por minuto; TTS 3 a US$ 13 por milhão de caracteres (preços de lançamento conforme divulgados).
Leia nossa análise de Voxtral 3 (Transcribe and TTS)
4.4/5
4
Gemini 3.5 Transcribe
Preciso e barato o bastante para a maior parte das transcrições, mas já não é a compra óbvia em nenhum dos dois quesitos.
Ideal para: Equipes que já usam a Gemini API e querem transcrição de arquivos e em streaming de um só fornecedor, a cerca de meio centavo por minuto.
Preço: Transcribe cerca de $0,005 por minuto ($2 de entrada / $12 de saída por 1M de tokens); Transcribe Live cerca de $0,009 por minuto ($3,50 / $21). Nível gratuito no AI Studio e na API.
Leia nossa análise de Gemini 3.5 Transcribe
4.2/5
5
Moondream Parakeet Redux
Para transcrição em CPU ou em Mac, o Parakeet Redux troca um pouco de acurácia em inglês e muita robustez a ruído por um modelo com um sétimo do tamanho e mais de duas vezes mais rápido.
Ideal para: Desenvolvedores que transcrevem fala razoavelmente limpa em CPUs, notebooks ou Macs e querem os 25 idiomas do Parakeet sem GPU.
Preço: Pesos gratuitos sob CC BY 4.0 (uso comercial com atribuição); roda localmente pelo pacote Python gratuito moondream.
Leia nossa análise de Moondream Parakeet Redux
4.1/5
6
Parakeet TDT 0.6B v3
O Parakeet v3 é o recorde de velocidade em transcrição, com acurácia de nível Whisper e uma fronteira rígida em torno da Europa.
Ideal para: Desenvolvedores que transcrevem grandes volumes de áudio em idiomas europeus e valorizam velocidade e baixo custo.
Preço: Gratuito sob CC BY 4.0. A versão hospedada da Together AI custa US$ 0,0015 por minuto (US$ 1,50 por 1.000 minutos).
Leia nossa análise de Parakeet TDT 0.6B v3
4.1/5
7
Phonon-2
O Phonon-2 é o Parakeet com um quinze avos do tamanho e quase a mesma acurácia, o que torna viável uma boa transcrição em inglês dentro do download de um app.
Ideal para: Desenvolvedores de apps que precisam de transcrição de fala em inglês precisa em um notebook, celular ou servidor de CPU sem distribuir um modelo de vários gigabytes.
Preço: Pesos gratuitos sob CC-BY-4.0; CLI e código sob Apache 2.0; app Detta gratuito em Macs com Apple Silicon.
Leia nossa análise de Phonon-2
4.1/5
8
pyannote speaker-diarization-community-1
Continua sendo o padrão aberto para distinguir locutores, e um avanço claro em relação ao 3.1, mas o modelo pago dos próprios criadores comete cerca de um terço menos erros em áudio difícil.
Ideal para: Engenheiros que constroem transcrição auto-hospedada de reuniões, ligações ou podcasts e precisam de rótulos de locutor sob uma licença permissiva.
Preço: Gratuito sob CC BY 4.0. Hospedado na pyannoteAI a € 0,035 por hora de áudio; o modelo pago Precision-3 custa € 0,112 por hora (Developer, € 19/mês) ou € 0,096 (Starter, € 99/mês).
Leia nossa análise de pyannote speaker-diarization-community-1
4.1/5
9
Deepgram Nova-3
O Nova-3 é rápido e barato o bastante para áudio de chamadas ao vivo, mas em um teste neutro comete mais que o dobro dos erros dos líderes em precisão.
Ideal para: Equipes de contact center e de legendagem ao vivo que precisam de transcrição rápida e de alta concorrência de áudio telefônico, inclusive nos próprios servidores.
Preço: Áudio gravado US$ 0,0043/min (monolíngue) ou US$ 0,0052/min (multilíngue) no pay-as-you-go; streaming US$ 0,0048/min em promoção, US$ 0,0077 no preço normal. O plano Growth, a partir de US$ 4.000/ano, é mais barato. US$ 200 de crédito gratuito.
Leia nossa análise de Deepgram Nova-3
4.0/5
10
GPT Transcribe
Uma atualização sensata para quem usa a OpenAI, embora a descontinuação que a acompanha leve embora a identificação de falantes e os timestamps que este modelo não devolve.
Ideal para: Equipes na API da OpenAI que precisam deixar o Whisper ou o GPT-4o Transcribe antes de fevereiro de 2027 e não precisam de identificação de falantes nem de timestamps.
Preço: $0,0045 por minuto de áudio ($4,50 por 1.000 minutos); sem suporte a Batch. O gpt-live-transcribe, em streaming, custa $0,017 por minuto.
Leia nossa análise de GPT Transcribe
3.9/5
11
MOSS-Transcribe-Diarize 0.9B
O MOSS-Transcribe-Diarize troca um pipeline de reuniões de dois modelos por um único modelo pequeno, e suas vitórias em benchmarks são principalmente em mandarim.
Ideal para: Equipes que transcrevem gravações longas com vários falantes nas próprias GPUs, especialmente em chinês, e querem rótulos de falante sem um modelo de diarização separado.
Preço: Gratuito sob Apache 2.0. O modelo Pro maior é oferecido pelo playground online da MOSI; o preço da API não é publicado.
Leia nossa análise de MOSS-Transcribe-Diarize 0.9B
3.9/5
12
VibeVoice-ASR
O VibeVoice-ASR transforma uma reunião de uma hora em uma transcrição com falantes identificados de uma só vez, e todos os números de precisão dele ainda são da própria Microsoft.
Ideal para: Equipes que transcrevem gravações longas com vários falantes em hardware próprio e querem rótulos de falantes sem uma etapa separada de diarização.
Preço: Grátis sob a licença MIT. Também disponível no Azure AI Foundry Labs.
Leia nossa análise de VibeVoice-ASR
3.8/5
13
Whistle
Reconhecimento de fala utilizável em sete idiomas com 16,9 MB, de um fornecedor que mantém o engine fechado e a telemetria ligada.
Ideal para: Fabricantes de dispositivos que precisam de comandos de voz offline em idiomas europeus em hardware pequeno demais para o Whisper.
Preço: Pesos abertos gratuitos sob Apache 2.0; o engine pré-compilado tem download gratuito. A Cactus vende ajuda com fine-tuning e implantação na sua plataforma; os preços não são publicados.
Leia nossa análise de Whistle
3.8/5
14
Whisper large-v3-turbo
O Whisper turbo agora é a referência barata e sem restrições com que os modelos de fala mais novos são comparados, não o modelo que vence.
Ideal para: Equipes que precisam de transcrição barata e com licença permissiva, que possam hospedar por conta própria ou comprar por centavos a hora, e que aceitam precisão de segunda linha.
Preço: Grátis sob a licença MIT. As versões hospedadas são baratas: o Artificial Analysis lista o Groq a cerca de US$ 0,67 por 1.000 minutos.
Leia nossa análise de Whisper large-v3-turbo
3.7/5