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.