Quão precisa é a transcrição por IA por idioma? Benchmarks de WER por idioma (2026)
A precisão da transcrição por IA varia enormemente conforme o idioma. Compilamos taxas de erro de palavras por idioma a partir do benchmark FLEURS do paper do Whisper: quais idiomas chegam perto do nível humano, quais exigem edição e quais modelos gerais praticamente não conseguem transcrever.
A precisão da transcrição varia drasticamente conforme o idioma. No benchmark FLEURS, o Whisper da OpenAI alcança taxas de erro de palavras em torno de 3-5% em inglês, espanhol, italiano e alemão; valores de um dígito alto em idiomas de recursos médios como holandês, turco e vietnamita; e acima de 75% em muitos idiomas de poucos recursos, como amárico, iorubá e birmanês, onde um modelo geral praticamente não consegue produzir texto utilizável. A diferença vem do volume de dados de treinamento, da complexidade fonética e do sistema de escrita.
Este guia apresenta WER por idioma compilados a partir dos resultados FLEURS publicados no paper do Whisper (OpenAI, 2022), organizados por faixas de precisão. Se você está avaliando transcrição para um idioma específico, ou tentando entender por que seu áudio em alemão é transcrito quase perfeitamente enquanto o tailandês não é, os dados abaixo explicam a diferença.
O que esses números são (e o que não são). Todos os valores abaixo são WER do Whisper large-v2 no benchmark FLEURS, retirados do Apêndice D.2.4 do paper do Whisper, a tabela de WER por idioma mais completa já publicada por um grande laboratório. É um modelo em um benchmark de fala lida, não um teste ao vivo executado por nós. Trate como uma linha de base comparável, não como o melhor caso atual: sistemas mais novos (Whisper large-v3, NVIDIA Canary e provedores especializados por idioma) têm desempenho substancialmente melhor em muitos idiomas difíceis. Por exemplo, o large-v3 reduz o maltês de ~77% WER para cerca de 26% de taxa de erro de caracteres. Para chinês, japonês, tailandês, lao e birmanês, o paper do Whisper insere espaços entre caracteres e reporta taxa de erro de caracteres (CER); portanto, esses valores já são em nível de caractere, não WER em nível de palavra. O coreano usa espaçamento normal entre palavras, então seu valor é um WER real (inflado pelas convenções de espaçamento do coreano).
Resumo: faixas de precisão em um relance
| Faixa | Intervalo de WER | Idiomas (representativos) | O que esperar |
|---|---|---|---|
| Faixa 1 | abaixo de ~6% WER | Inglês, espanhol, italiano, alemão, japonês (CER), polonês, russo | Precisão quase humana em áudio limpo |
| Faixa 2 | ~6-11% WER | Holandês, indonésio, catalão, francês, turco, sueco, malaio, vietnamita | Qualidade de produção, com pequenas edições |
| Faixa 3 | ~11-16% WER | Tailandês, grego, tcheco, croata, dinamarquês, coreano, romeno, mandarim (CER), árabe | Utilizável, mas espere uma limpeza manual relevante |
| Faixa 4 | ~16-40% WER | Tâmil, hindi, urdu, hebraico, sérvio, kannada, marata, suaíli | Qualidade de rascunho; revisão humana necessária |
| Faixa 5 | ~45% a >100% WER | Nepalês, maltês, iorubá, khmer, lao, bengali, birmanês, amárico | Modelos gerais como Whisper falham na prática; modelos especializados são necessários |
Os números são WER FLEURS do Whisper large-v2 (OpenAI, 2022). Veja as tabelas por faixa para os valores exatos e as ressalvas acima.
Como os benchmarks de WER são medidos
Entender o que cada benchmark testa evita o erro comum de comparar uma pontuação de laboratório com o desempenho no mundo real.
LibriSpeech (apenas inglês) usa gravações limpas de audiolivros. É o benchmark comum mais fácil, então seus números representam o piso do que um modelo consegue fazer em condições ideais: o WER de ponta em inglês no LibriSpeech test-clean fica em torno de 1,4-2,7%.
FLEURS (Few-shot Learning Evaluation of Universal Representations of Speech) cobre 102 idiomas com cerca de 12 horas de fala por idioma, usando as mesmas frases em todos eles (traduções de conteúdo Wikipedia/FLoRes), o que torna a comparação entre idiomas significativa. É o benchmark multilíngue mais citado e a fonte dos números por idioma neste guia.
Common Voice (Mozilla) contém gravações colaborativas em mais de 100 idiomas. Como os falantes não são profissionais e gravam em ambientes variados, o WER do Common Voice costuma ser maior que o do FLEURS para o mesmo idioma e modelo.
Áudio real, com sotaques, falas sobrepostas, ruído de fundo e equipamentos imperfeitos, adiciona aproximadamente 5-15 pontos de WER a esses números de benchmark. Um modelo que reporta 5% no FLEURS pode entregar 10-15% em uma gravação típica do Zoom.
Faixa 1: precisão muito alta (abaixo de ~6% WER)
Esses idiomas têm os maiores corpus de treinamento e recebem mais atenção dos desenvolvedores de modelos. Em áudio limpo, espere transcrições prontas para produção com edição mínima.
| Idioma | Whisper large-v2 FLEURS WER | Observações |
|---|---|---|
| Espanhol | 3,0% | Entre os resultados mais fortes em qualquer benchmark |
| Italiano | 4,0% | Um dos idiomas europeus mais bem cobertos |
| Inglês | 4,2% | Idioma de referência; a maioria dos benchmarks se concentra nele |
| Alemão | 4,5% | Forte em alemão padrão; dialetos suíços e austríacos degradam |
| Japonês | 5,3% (CER) | Whisper mede japonês em nível de caractere; a qualidade das frases é excelente |
| Polonês | 5,4% | Excepcionalmente forte para um idioma eslavo |
| Russo | 5,6% | Bom em russo padrão; sotaques regionais degradam |
Se você está transcrevendo qualquer um desses idiomas em áudio limpo, o modelo importa menos do que a qualidade do áudio que você fornece.
Faixa 2: alta precisão (~6-11% WER)
Há dados de treinamento relevantes, mas com menos volume do que na Faixa 1 ou com mais complexidade fonética. A maioria dos casos de produção funciona bem; espere corrigir ocasionalmente nomes próprios e termos técnicos.
| Idioma | Whisper large-v2 FLEURS WER | Observações |
|---|---|---|
| Holandês | 6,7% | Beneficia-se da proximidade com dados em alemão e inglês |
| Indonésio | 7,1% | Forte para seu nível de recursos |
| Catalão | 7,3% | Rende acima do número de falantes graças a datasets dedicados |
| Francês | 8,3% | O francês europeu domina os dados de treinamento |
| Turco | 8,4% | A morfologia aglutinativa adiciona complexidade |
| Sueco | 8,5% | Corpus nórdicos são bem curados |
| Ucraniano | 8,6% | Melhorou muito após 2022 com o crescimento dos datasets |
| Malaio | 8,7% | Compartilha características com o indonésio |
| Vietnamita | 10,3% | Tonal; erros de tom são o principal modo de falha |
Faixa 3: precisão média (~11-16% WER)
Aqui a transcrição por IA começa a ficar visivelmente imperfeita. As transcrições servem como primeiro rascunho, mas espere corrigir vários erros por minuto, especialmente em entidades nomeadas e números.
| Idioma | Whisper large-v2 FLEURS WER | Observações |
|---|---|---|
| Tailandês | 11,5% (CER) | Medido em nível de caractere no paper do Whisper, pois não há espaços entre palavras |
| Grego | 12,5% | Corpus de treinamento menor do que outras línguas europeias |
| Tcheco | 13,3% | Sólido apesar da morfologia pesada |
| Croata | 13,4% | Traços compartilhados com línguas eslavas do sul ajudam |
| Dinamarquês | 13,8% | Fonética difícil, mas bem representado |
| Romeno | 14,4% | Melhorando conforme os datasets crescem |
| Búlgaro | 14,6% | Língua eslava de recursos médios |
| Coreano | 14,3% | O espaçamento por palavras infla o WER coreano; a precisão em nível de caractere é materialmente melhor, mas o paper não publica CER coreano |
| Mandarim | 14,7% (CER) | Nível de caractere; mais alto do que sua reputação em fala lida FLEURS |
| Árabe | 16,0% | Árabe padrão moderno; dialetos egípcio, levantino e do Golfo são muito mais difíceis |
O número do mandarim surpreende muita gente: em áudio limpo e dentro do domínio, muitas ferramentas vão melhor, mas na medida padronizada do FLEURS em nível de caractere o Whisper large-v2 fica na casa dos dez e poucos. Modelos mais novos reduzem essa diferença.
Faixa 4: baixa precisão (~16-40% WER)
Esses idiomas muitas vezes têm centenas de milhões de falantes, mas poucos dados de treinamento rotulados. A saída é um rascunho bruto que exige revisão humana substancial.
| Idioma | Whisper large-v2 FLEURS WER | Observações |
|---|---|---|
| Tâmil | 17,5% | Língua dravídica com morfologia complexa |
| Hindi | 21,5% | Alta variação entre sotaques e code-switching com inglês |
| Urdu | 22,6% | Relacionado ao hindi, mas escrito em alfabeto perso-árabe |
| Hebraico | 27,1% | Escrita da direita para a esquerda, morfologia rica |
| Sérvio | 33,9% | Marcadamente mais difícil que línguas eslavas vizinhas no FLEURS |
| Kannada | 37,0% | Família dravídica, sub-representada |
| Marata | 38,3% | Indo-ariano, recursos moderados |
| Suaíli | 39,3% | Língua franca da África Oriental; o dataset está crescendo |
Para a Faixa 4, fluxos híbridos costumam ser a melhor opção de produtividade: a IA produz o primeiro rascunho e um editor nativo faz a limpeza.
Faixa 5: onde modelos gerais falham na prática (~45% a >100% WER)
Esta é a faixa em que números simpáticos de "~40-50%" vistos em outros lugares erram feio. No FLEURS, o Whisper large-v2 não produz um rascunho bruto, mas utilizável para esses idiomas: ele produz WER igual ou acima de 75%, muitas vezes acima de 100%, ou seja, mais erros do que palavras. Sem especialização, eles são praticamente intranscritíveis por um modelo geral.
| Idioma | Whisper large-v2 FLEURS WER | Observações |
|---|---|---|
| Nepalês | 47,1% | Limítrofe; revisão pesada necessária |
| Maltês | 76,6% | large-v3 melhora isso drasticamente (~26% CER) |
| Iorubá | 94,8% | Tonal; large-v3 chega a ~49% CER, ainda difícil |
| Khmer | 99,7% | Whisper large-v2 produz pouca saída utilizável |
| Lao | 101,5% | Praticamente intranscritível no large-v2 |
| Bengali | 104,1% | Enorme base de falantes, mas Whisper large-v2 falha; large-v3 CER ~34% |
| Birmanês | 115,7% | Praticamente intranscritível no large-v2 |
| Amárico | 140,3% | Mais erros do que palavras; precisa de um modelo especializado |
Duas coisas importam aqui. Primeiro, modelos mais novos e especializados fecham grande parte dessa lacuna: Whisper large-v3 e provedores que fazem fine-tuning com dados específicos por idioma podem transformar um resultado inutilizável do large-v2 em um rascunho editável (maltês e bengali são bons exemplos). Segundo, o cingalês não aparece na avaliação FLEURS do Whisper; portanto, qualquer número específico de "WER em cingalês" para Whisper não é sustentado por esse benchmark. Trate esse idioma como não testado aqui.
O que causa a diferença de precisão
Volume de dados de treinamento é o preditor individual mais forte. Whisper foi treinado em 680.000 horas de áudio, a maior parte em inglês; idiomas com mais recursos recebem dezenas de milhares de horas, e os de menos recursos apenas algumas centenas. Mais dados reduzem fortemente o WER, com retornos decrescentes quando uma língua já está bem coberta.
Complexidade fonética e do sistema de escrita cria limites mesmo com dados. Idiomas tonais (mandarim, vietnamita, tailandês, iorubá) obrigam o modelo a distinguir palavras parecidas pela altura do tom. Línguas aglutinativas (turco, finlandês, suaíli) constroem palavras longas a partir de muitos morfemas, o que interage mal com a tokenização. Sistemas logográficos e sem espaços (chinês, japonês, tailandês) deslocam a métrica justa de WER para taxa de erro de caracteres.
Correspondência com o domínio do áudio importa tanto quanto o idioma. Um modelo treinado principalmente em fala lida tem desempenho pior em conversa espontânea no mesmo idioma; por isso, os números FLEURS de fala lida são um piso, não uma promessa para suas gravações de reunião.
Como melhorar a precisão em idiomas mais difíceis
Melhore o áudio primeiro. Redução de ruído, isolamento de falantes e níveis consistentes podem cortar vários pontos de WER em áudio real; nosso guia de áudio com ruído cobre os ganhos mais rápidos.
Forneça contexto de domínio. Muitas APIs de transcrição aceitam listas de nomes próprios, termos técnicos ou frases prováveis; vocabulários direcionados reduzem erros de substituição em jargões e entidades nomeadas.
Escolha o modelo certo por idioma. Whisper lidera em alguns idiomas, NVIDIA Canary ou provedores específicos por idioma em outros (especialmente japonês, coreano e árabe). Se um idioma é crítico para seu fluxo de trabalho, testar 2-3 provedores em uma amostra representativa vale a hora investida.
Use um editor humano na etapa final. Para a Faixa 3 e abaixo, um editor nativo revisando um rascunho de IA é várias vezes mais rápido do que transcrever do zero e leva a precisão final para bem acima de 98%.
Ferramentas como Vocova transcrevem mais de 100 idiomas com detecção automática de idioma, então você não precisa marcar os arquivos por idioma com antecedência. Ainda assim, como os dados acima mostram, a precisão realista continua dependendo do idioma com que você está trabalhando.
Perguntas frequentes
Qual idioma tem a transcrição por IA mais precisa?
Inglês, espanhol, italiano e alemão lideram no benchmark FLEURS, com aproximadamente 3-5% de WER do Whisper em fala lida limpa; japonês fica logo atrás em taxa de erro de caracteres. Em áudio espontâneo do mundo real, some 5-15 pontos a qualquer um desses valores.
Quão preciso é o Whisper entre idiomas?
No FLEURS, o Whisper large-v2 fica abaixo de ~10% WER para os idiomas das Faixas 1-2 deste guia, entre a casa dos dez e dos trinta para as Faixas 3-4, e acima de 75% para um grupo de idiomas de poucos recursos (amárico, iorubá, khmer, lao, birmanês, bengali) onde ele praticamente não consegue transcrever. O large-v3 mais novo melhora bastante os casos mais difíceis, mas nenhuma tabela exata de WER por idioma para large-v3 foi publicada.
Qual WER é considerado "bom"?
Para a maioria dos usos empresariais, WER abaixo de 10% produz uma transcrição mais rápida de ler e editar do que o próprio áudio; abaixo de 5% é quase humano. Acima de 20%, é necessária correção manual significativa antes que o texto possa ser usado como conteúdo publicado. Veja taxa de erro por palavra para entender como a métrica é calculada.
Por que minha transcrição em alemão é mais precisa que a tailandesa?
Alemão é um idioma de muitos recursos (~4,5% WER no FLEURS), com dados abundantes e características compartilhadas com o inglês. Tailandês é tonal, escrito sem espaços entre palavras e tem menos dados rotulados; seu WER fica em torno de 11-12%, e a métrica mais justa é a taxa de erro de caracteres. Mesmo os melhores modelos mantêm uma diferença relevante entre os dois.
Benchmarks FLEURS são comparáveis a áudio real?
Não diretamente. FLEURS é limpo, lido em vez de espontâneo e gravado profissionalmente. Áudio real (reuniões, chamadas telefônicas, entrevistas) normalmente produz 5-15 pontos de WER a mais do que FLEURS para o mesmo idioma e modelo. Use esses números para comparar idiomas, não para prever seu resultado exato.
Resumo
A precisão da transcrição por IA em 2026 depende do idioma, da qualidade do áudio e do ajuste entre modelo e tarefa. Na linha de base Whisper FLEURS, idiomas da Faixa 1 chegam perto da precisão humana em áudio limpo; a Faixa 3 precisa de edição; e um grupo de idiomas de poucos recursos é praticamente intranscritível por modelos gerais sem especialização, muito mais difícil do que sugerem os números simpáticos de dois dígitos frequentemente citados. Modelos mais novos e específicos por idioma reduzem essas lacunas, especialmente na ponta mais difícil.
Se você está escolhendo uma pipeline de transcrição, a coisa mais útil é testar seu idioma e domínio de áudio específicos em 2-3 amostras representativas. Benchmarks classificam idiomas; eles não preveem seu resultado exato.
Fontes e leituras adicionais
- OpenAI, "Robust Speech Recognition via Large-Scale Weak Supervision" (paper do Whisper, 2022) - WER FLEURS por idioma, Apêndice D.2.4 / Tabela 13
- Conneau et al., "FLEURS: Few-shot Learning Evaluation of Universal Representations of Speech" (2022)
- FLEURS-SLU (2025) - CER por idioma do Whisper large-v3, usado aqui para as ressalvas sobre idiomas de poucos recursos
- Mozilla Common Voice datasets
- taxa de erro por palavra
- Como transcrever áudio em vários idiomas
