Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Speech-to-text

Speech-to-text (fala para texto), também chamado de reconhecimento automático de fala (ASR), é um software que converte áudio falado em texto escrito. Ele está por trás de transcrições, legendas, comandos de voz e da parte que escuta nos voice agents.

Também chamado: ASR, automatic speech recognition, transcription, STT

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

Um modelo speech-to-text recebe áudio, geralmente dividido em quadros curtos, e devolve as palavras que ouve, muitas vezes com timestamps. É o primeiro passo em notas de reunião, transcrições de podcast, legendas, análises de chamadas e qualquer voice agent.

Como funciona

Os modelos de ASR modernos são redes neurais treinadas com grandes volumes de áudio e texto pareados. O Whisper, da OpenAI, é um exemplo conhecido: foi treinado com 680.000 horas de áudio e transcrições da web, e lida com muitos idiomas sem fine-tuning específico por tarefa. Você pode rodá-lo por conta própria com o openai-whisper ou variantes menores como o Whisper large v3 turbo.

O que comparar

Taxa de erro de palavras em áudio parecido com o seu, velocidade, suporte a streaming para uso ao vivo, cobertura de idiomas, pontuação e preço por minuto. Notas de benchmark com áudio limpo podem parecer bem melhores que os resultados em ligações telefônicas com ruído.

Termos relacionados

O ASR diz o que foi dito. A diarização de locutores diz quem disse, e muitas ferramentas de transcrição combinam as duas. A direção inversa é o text-to-speech.

Limites

Sotaques, falas cruzadas, ruído de fundo e jargão de domínio aumentam as taxas de erro. Alguns modelos também inventam palavras durante silêncio ou música, uma forma de alucinação.

Termos relacionados

Text-to-speech
Text-to-speech (TTS, texto para fala) é um software que transforma texto escrito em áudio falado. O TTS moderno usa redes neurais que preveem o som da fala a partir do texto e depois o renderizam como forma de onda.
Diarização de locutores
A diarização de locutores (speaker diarization) é a tarefa de dividir uma gravação de áudio por locutor, rotulando cada trecho de fala com quem o disse. Ela responde à pergunta "quem falou quando".
Voice agent
Um voice agent (agente de voz) é um agente de IA que mantém uma conversa falada em tempo real, ouvindo uma pessoa, decidindo o que dizer ou fazer e respondendo com uma voz sintética, muitas vezes por uma linha telefônica ou em um app.
Modelo speech-to-speech
Um modelo speech-to-speech (de fala para fala) recebe áudio falado e produz áudio falado diretamente, sem converter primeiro a fala em texto e de volta. Ele é usado em conversas por voz ao vivo e em tradução.
Alucinação (IA)
Uma alucinação (hallucination) é uma saída de um modelo de IA que soa fluente e confiante, mas é falsa, não tem apoio nas fontes ou foi inventada, como uma citação, uma frase, uma estatística ou uma função de API que não existem.

Fontes