O que é AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
AssemblyAI-STT-3.7 é uma família de três modelos de fala para texto anunciada em 18 de novembro de 2026. O STT-3.7 cuida de áudio gravado; o STT-3.7-Realtime é para reuniões, chamadas e legendas ao vivo, com identificação de falantes no fluxo; e o STT-3.7-Realtime-Agent é ajustado para agentes de voz: ele ouve a pessoa que fala com o bot e decide quando o turno dela terminou.
Os três cobrem 32 idiomas, ante 18 antes, com detecção automática e troca de idioma no meio da conversa. Para áudio gravado, incluir o modelo mais antigo Universal-2 amplia a cobertura para 99 idiomas. Dá para orientar o vocabulário com termos-chave e, nos modelos em tempo real, com um prompt de 400 caracteres.
A família substitui o Universal-3.5 Pro e os modelos Universal-Streaming. Endpoints e formatos de mensagem não mudam, mas dois padrões se invertem: as palavras de preenchimento agora são mantidas e a formatação de texto vem ativada.
Quanto custa AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
| Plano | Preço | O que inclui |
|---|---|---|
| STT-3.7 | $0.21 an hour | Áudio gravado, 32 idiomas, Universal-2 como alternativa para até 99 |
| STT-3.7-Realtime | $0.30 an hour | Reuniões, chamadas e legendas ao vivo com identificação de falantes em tempo real |
| STT-3.7-Realtime-Agent | $0.45 an hour | Agentes de voz, com detecção de fim de turno |
STT-3.7 a US$ 0,21 por hora; STT-3.7-Realtime a US$ 0,30 por hora; STT-3.7-Realtime-Agent a US$ 0,45 por hora. A identificação de falantes custa mais US$ 0,02 por hora em áudio gravado. O Universal-2 continua a US$ 0,15 por hora; US$ 50 de crédito grátis.
AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) vale a pena?
A AssemblyAI construiu este lançamento em torno da ligação telefônica, e isso aparece. No seu próprio conjunto de 12.460 chamadas de agentes de voz, com 26 modelos de streaming, o STT-3.7-Realtime-Agent errou 4,53% das palavras, ante 6,02% do novo v6 da Soniox, e reduziu os erros em números de 11,28% para 2,27% em relação ao antecessor. A transcrição final chega 86 milissegundos depois que a pessoa para de falar. O ranking independente Voice Arena também o coloca em primeiro no streaming em inglês dos EUA, com 2,45% de erro semântico.
Em áudio gravado a disputa é mais apertada. A Artificial Analysis mede o STT-3.7 com 2,5% de taxa de erro de palavras, 12º no seu ranking e atrás do ElevenLabs Scribe v3, com 1,9%. Onde a AssemblyAI lidera de fato é na identificação de falantes: 10,7% de erro de diarização em seis conjuntos de conversas em inglês, ante 12,0% da ElevenLabs, sem nenhum outro fornecedor testado abaixo de 15%. São números da própria AssemblyAI, medidos entre agosto e novembro.
O porém: os padrões mudam sem aviso. Palavras de preenchimento e formatação agora vêm ativadas por padrão, então o código que espera texto limpo e sem pontuação precisa de revisão, e o áudio gravado fora dos 32 idiomas não recorre mais automaticamente a outro modelo, a menos que você inclua o Universal-2. O Universal-3.5 Pro Realtime será desativado em 1º de fevereiro de 2027.
Nossa opinião: para um agente de voz, US$ 0,45 por hora compram o modelo com mais evidências a seu favor em ligações ruidosas e cheias de números. Para um arquivo de transcrições, o modelo em lote a US$ 0,21 é uma escolha padrão sensata, mas quem busca a menor taxa de erro vai encontrar dois ou três rivais à frente.
Onde ele se destaca
A linha automática de renovação de receitas de uma rede de farmácias
Captar números de receita e datas de nascimento na primeira tentativa
Transmita as chamadas para assemblyai-stt-3-7-realtime-agent com termos-chave para nomes de medicamentos. A AssemblyAI relata 80% menos erros em números que o antecessor; 10.000 horas de chamadas custam cerca de US$ 4.500.
Uma start-up de análise de vendas
Identificar quem disse o quê em ligações de prospecção gravadas em inglês, espanhol e alemão
STT-3.7 em lote com identificação de falantes a US$ 0,23 por hora (US$ 0,21 mais US$ 0,02 da diarização); chamadas com vários idiomas são processadas sem escolher um idioma antes.
Antes de decidir
- Configuração
- Defina speech_models como ["assemblyai-stt-3-7"] no endpoint de transcrição atual ou conecte o socket de streaming com assemblyai-stt-3-7-realtime ou -realtime-agent. Sem mudanças de protocolo.
- Integrações
- APIs REST e de streaming e SDKs da AssemblyAI; agentes de referência para LiveKit e Pipecat; combinado com o AssemblyAI-TTS-1, um turno completo leva cerca de 250 ms nos testes da AssemblyAI.
- Dados e privacidade
- A política de dados da AssemblyAI treina com o áudio dos clientes por padrão, depois de remover informações pessoais; contas pagas podem optar por sair, e contas com BAA e da UE ficam sempre de fora. Sem pesos publicados.
- Custo em escala
- 100.000 horas de áudio gravado custam cerca de US$ 21.000; o mesmo volume no modelo para agentes sai por US$ 45.000. O streaming é cobrado por todo o tempo em que o socket fica aberto, incluindo o tempo ocioso.
- Limites
- 32 idiomas nativos; os demais exigem o Universal-2. O modelo em tempo real não detecta turnos (use o modelo Agent). O Universal-3.5 Pro Realtime será desativado em 1º de fevereiro de 2027.
O que é bom
- 4,53% de erro em 12.460 chamadas de agentes, o menor de 26 modelos de streaming no teste da AssemblyAI
- Texto final 86 ms após o fim da fala no modelo para agentes
- 10,7% de erro de diarização em áudio gravado, à frente da ElevenLabs
- 32 idiomas com troca de idioma; 99 com Universal-2
O que não é
- 2,5% na Artificial Analysis, 12º e atrás do Scribe v3
- A maioria das comparações é da própria AssemblyAI
- Os novos padrões podem quebrar parsers feitos para o Universal-3.5 Pro
- O modelo para agentes custa mais que o dobro da tarifa em lote
Ideal para
Equipes que criam agentes de voz por telefone ou web e precisam de números, nomes e troca de turnos confiáveis, e equipes de análise de chamadas para quem o mais importante é saber quem disse o quê.
Alternativas ao AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)
AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent): perguntas frequentes
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) vale a pena?
- É no modelo para agentes de voz que a AssemblyAI conquista seu lugar; em áudio gravado comum ele é bom, barato e já não é exatamente o melhor. Damos nota 4.4 de 5.
- Quanto custa AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
- STT-3.7 a US$ 0,21 por hora; STT-3.7-Realtime a US$ 0,30 por hora; STT-3.7-Realtime-Agent a US$ 0,45 por hora. A identificação de falantes custa mais US$ 0,02 por hora em áudio gravado. O Universal-2 continua a US$ 0,15 por hora; US$ 50 de crédito grátis.
- Quais são as desvantagens de AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
- 2,5% na Artificial Analysis, 12º e atrás do Scribe v3; a maioria das comparações é da própria AssemblyAI; os novos padrões podem quebrar parsers feitos para o Universal-3.5 Pro; o modelo para agentes custa mais que o dobro da tarifa em lote.
- Para quem AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) é indicado?
- Equipes que criam agentes de voz por telefone ou web e precisam de números, nomes e troca de turnos confiáveis, e equipes de análise de chamadas para quem o mais importante é saber quem disse o quê.
- Quanto custa AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) para uma equipe ou em produção?
- 100.000 horas de áudio gravado custam cerca de US$ 21.000; o mesmo volume no modelo para agentes sai por US$ 45.000. O streaming é cobrado por todo o tempo em que o socket fica aberto, incluindo o tempo ocioso.
- AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent) é seguro para dados da empresa?
- A política de dados da AssemblyAI treina com o áudio dos clientes por padrão, depois de remover informações pessoais; contas pagas podem optar por sair, e contas com BAA e da UE ficam sempre de fora. Sem pesos publicados.
- Quais são as melhores alternativas ao AssemblyAI STT-3.7 (batch, Realtime and Realtime-Agent)?
- As alternativas mais próximas que analisamos são ElevenLabs Scribe v3 and Scribe v3 Live, Soniox STT v6 (stt-rt-v6 and stt-async-v6), Deepgram Nova-3 e Voxtral 3 (Transcribe and TTS).
Respostas verificadas em 21 de nov. de 2026.