Taxa de erro de palavra de 2,4% — e ainda sem saber quem falou

No começo de junho, o time de AI Superintelligence da Microsoft lançou o MAI-Transcribe-1.5, que marcou 2,4% de taxa de erro de palavra no ranking independente da Artificial Analysis. Um único modelo cobre 43 idiomas, aguenta sotaques e salas barulhentas, e processa uma hora de áudio em menos de quinze segundos.

Agora abra a documentação Azure da Microsoft para esse mesmo modelo. Entre as observações de uso, uma linha: "A diarização não é suportada."

Diarização é a parte que diz quem estava falando. Ou seja: o modelo de voz mais comentado do ano produz uma parede de palavras quase impecável sem a menor ideia de qual boca saiu cada uma. Isso não é um deslize nas notas de versão. É um retrato preciso de onde essa indústria realmente está. Ouvir está praticamente resolvido. E ouvir nunca foi a parte difícil de uma ata de reunião.

Este texto é sobre a distância entre uma transcrição correta e uma ata que você realmente mandaria para o time: o que a taxa de erro de palavra mede, o que ela estruturalmente não consegue medir, e quais camadas se apoiam sobre o reconhecimento de fala decidindo em silêncio se uma gravação vira algo útil. Se você já recebeu uma transcrição tecnicamente perfeita e praticamente inútil, aqui está a explicação dessa sensação.

TL;DR:

• A taxa de erro já se amontoou perto do piso: os nove melhores modelos do ranking independente da Artificial Analysis ficam entre 1,73% e 3,31%, então trocar por um motor "mais preciso" te economiza algumas dezenas de palavras numa reunião de uma hora.
• O WER dá o mesmo peso a todas as palavras. Perder o "não" de uma decisão custa os mesmos 0,016% de engolir um "hum" — a métrica não distingue um erro de digitação de um compromisso invertido.
• O trabalho que sobra está acima da transcrição: atribuição de falantes, segmentação, refinamento e resumo. O próprio model card da Microsoft é a prova: precisão de ponta, sem diarização e sem streaming.

Imagem: Steve Knight, Rockfield Studios, Wikimedia Commons, CC BY 2.0.

O que 2,4% realmente parece quando é você quem lê

A taxa de erro de palavra é o número mais antigo e mais grosseiro do reconhecimento de fala — e justamente por ser citada em todo lugar, vale entendê-la direito. Pega-se o que foi realmente dito: a transcrição de referência, feita por pessoas. Pega-se o que o modelo escreveu. Aí contam-se as palavras erradas em três tipos: substituições (escreveu "atraso" onde alguém disse "atalho"), deleções (uma palavra some por inteiro) e inserções (inventa uma que ninguém falou). Soma tudo, divide pelo número de palavras da referência, e isso é o WER. Quanto menor, melhor.

Então 2,4% significa aproximadamente uma palavra errada a cada quarenta e duas.

Coloque isso numa reunião de verdade. Uma reunião de uma hora em que se fala efetivamente uns quarenta e cinco minutos, num ritmo de conversa normal de cerca de 140 palavras por minuto, dá mais ou menos 6.300 palavras. Com WER de 2,4%, umas 150 estão erradas. Espalhadas pela transcrição, são alguns erros a cada tela.

E aqui vem a pergunta que a métrica se recusa a responder: quais 150?

O WER dá o mesmo peso a cada palavra do idioma. O artigo "o" e a negação "não" valem exatamente a mesma coisa. Pense numa transcrição que transforma "não vamos lançar no terceiro trimestre" em "vamos lançar no terceiro trimestre". Isso é uma deleção. Uma palavra em 6.300, 0,016% da transcrição, um erro de arredondamento diante de um orçamento de 2,4%. E a ata agora registra exatamente o contrário do que a sala decidiu.

A mesma assimetria atravessa nomes próprios, códigos de produto e siglas internas — justamente as palavras que carregam mais significado por caractere e aparecem menos nos dados de treino. Uma transcrição pode acertar 6.150 palavras de tecido conectivo e destruir todos os nomes próprios da sala, e o WER dela vai continuar parecendo excelente. Quem já releu a transcrição da própria daily conhece a sensação: as palavras estão certas, e a reunião sumiu.

O ranking se amontoou perto do piso

Este é o trecho que reenquadra a categoria inteira. Puxamos o ranking de speech-to-text da Artificial Analysis em 4 de agosto de 2026 — um benchmark independente, não a ficha de um fornecedor. O índice AA-WER v2 é uma média ponderada pela duração do áudio sobre cerca de oito horas vindas de três conjuntos de dados: AA-AgentTalk (50%), VoxPopuli-Cleaned-AA (25%) e Earnings22-Cleaned-AA (25%). O topo fica assim:

Fonte: ranking de speech-to-text da Artificial Analysis, consultado em 4 de agosto de 2026 (AA-WER v2, non-streaming).

Duas coisas saltam aos olhos. Primeira: os 2,4% da Microsoft são reais e medidos de forma independente — mas é terceiro lugar, não primeiro. A afirmação mais forte, de melhor precisão da categoria no FLEURS ao longo dos 43 idiomas, vem da própria Microsoft, então leia como número de fornecedor até alguém de fora medir.

Segunda, e bem mais importante: nove modelos espremidos numa faixa de 1,6 ponto. Voltando à nossa reunião de 6.300 palavras: o modelo no topo erra cerca de 109 palavras. O nono, cerca de 209. O Whisper Large v3 — a base aberta que uma enormidade de produtos ainda roda — erra cerca de 256.

Pense no que isso significa numa decisão de compra. Sair de um motor mediano para o líder economiza uma centena de palavras por hora. Não é irrelevante, e em transcrição médica ou jurídica importa de verdade. Mas está muito longe da diferença entre uma ata em que você confia e uma ata que você reescreve do zero. Qualquer motor sério já passa dos 96% de precisão. A variável que decide se sua ata presta está em outro lugar.

As notas de versão da Microsoft são o documento mais honesto da categoria

O que nos leva de volta à linha do começo. A documentação do Azure Speech lista com sobriedade as limitações do MAI-Transcribe: diarização não suportada, ajuste por prompt não suportado, e modelo em prévia pública através da LLM Speech API. A cobertura do lançamento acrescenta que também não há API de streaming nativa, o que limita o uso em tempo real.

Repare no formato disso. A empresa despejou uma quantidade enorme de engenharia no problema de ouvir — 43 idiomas contra 25 da geração anterior, com 18 adicionados sem perda de precisão — e então publicou sem rótulos de falante e sem streaming. Que são exatamente as duas coisas de que uma reunião ao vivo precisa.

Nossa leitura: isso não é um buraco no produto da Microsoft, é uma declaração sobre como todo o campo se estratificou. Reconhecimento hoje é componente, não produto. Virou aquilo que se compra, se mede e se troca — e o trabalho interessante migrou para tudo que o envolve.

O teto do estenógrafo

Este é o termo que usamos internamente: o teto do estenógrafo. O ponto a partir do qual ouvir melhor para de ajudar, porque o trabalho que resta não é ouvir.

Um estenógrafo perfeito entrega um registro perfeito das palavras. Ele não vai dizer que os dois "sim, claro" vieram de pessoas diferentes e significavam coisas diferentes. Não vai marcar onde um assunto terminou. Não vai avisar que os vinte minutos sobre a mudança de escritório não têm nada a fazer na ata. Acima da transcrição moram quatro camadas distintas, e cada uma falha do seu próprio jeito.

Atribuição de falantes, ou diarização. É a maquinaria que separa um único fluxo de áudio em "falante 1, falante 2, falante 3" e mantém esses rótulos estáveis ao longo de uma hora. É um problema genuinamente distinto do reconhecimento, com modos de falha próprios: duas pessoas falando por cima, alguém que entra no meio, o mesmo participante soando diferente no viva-voz e no headset. E quando falha, falha de forma destrutiva. Uma transcrição que atribui um compromisso à pessoa errada é pior do que uma que não atribui a ninguém, porque quem lê vai acreditar. E essa é justamente a capacidade que o modelo mais bem pontuado não entrega.

Segmentação. A saída bruta do reconhecimento é um rio. Fala real não chega em frases: chega em recomeços, orações que morrem no meio e interrupções. O sistema precisa decidir onde as frases quebram, onde termina o turno de fala de uma pessoa e onde a conversa mudou de assunto. Erre isso e você tem um parágrafo tecnicamente correto que ninguém vai ler, porque o olho não encontra onde descansar. Acerte e as mesmas palavras viram texto que dá para bater o olho. Nem um caractere dessa melhoria aparece no WER.

Refinamento. Entre a transcrição bruta e a ata existe uma passada de limpeza: tirar vícios de linguagem e falsos começos, normalizar números e datas, corrigir a terminologia que o modelo acústico não tinha como conhecer. "Terceiro trimestre" vira "Q3". Um codinome interno que saiu como três palavras comuns plausíveis volta ao lugar. É a camada em que entra o conhecimento de domínio, e é o que separa um documento que se lê como registro de audiência de um que se lê como anotações.

Resumo. Por fim, o julgamento: quais partes da hora foram decisões, quais foram questões em aberto, quais foram a atribuição de trabalho a uma pessoa nomeada e quais foram os vinte minutos sobre estacionamento. É a única camada que a maioria dos leitores de fato consome, e depende inteiramente das três anteriores. Um resumidor trabalhando sobre uma transcrição sem atribuição e sem segmentação está chutando quem se comprometeu com o quê. Dê a ele turnos de fala limpos e ele para de chutar.

A dependência corre numa direção só, e é por isso que a conversa sobre precisão engana tanto. Melhorar o WER de 2,4% para 1,7% melhora a entrada de uma cadeia de quatro etapas que nunca foi medida.

O viés por palavras-chave é o setor admitindo o ponto em voz baixa

Há um recurso no lançamento do MAI-Transcribe-1.5 que entrega o jogo inteiro — e é a coisa mais útil da apresentação.

O modelo suporta viés por palavras-chave, também chamado de viés de entidades: você entrega uma lista de até 200 termos de domínio — nomes de participantes, nomes de produto, siglas internas — e o modelo inclina as previsões na direção dessa lista, usando o contexto ao redor para decidir quando aplicar o viés em vez de forçar correspondências às cegas. A Microsoft relata até 30% de redução do WER no FLEURS quando o recurso é usado. O exemplo publicado é bem concreto: sem lista de palavras-chave, três nomes saem como "Sean", "Oif" e "Societal". Com a lista, o modelo recupera "Shaun", "Aoife" e "Xochitl".

Olhe de perto o que aconteceu ali. O áudio não mudou. A acústica não melhorou. O modelo não estava ouvindo pior antes: estava ouvindo muito bem e chutando errado, porque não sabia quem estava na sala. Passe a lista de participantes e quase um terço dos erros evapora.

Esse é o argumento inteiro deste texto, entregue como recurso de produto pelo fornecedor que tem o modelo mais bem pontuado. A melhoria de precisão mais eficaz do lançamento mais badalado do ano funciona injetando informação que nunca esteve no áudio. O que significa que a fronteira restante em transcrição não é acústica, é contextual — e contexto é exatamente o material de que são feitas as camadas acima da transcrição.

Enquanto isso, todo mundo corre para capturar mais áudio

O mercado de hardware chegou à conclusão oposta, e isso merece nota. Os óculos GO3 da INMO, a US$ 599, prometem tradução em tempo real em mais de 98 idiomas projetada na lente, além de gravação, transcrição e resumo automáticos de toda conversa e reunião, com ChatGPT e Gemini por trás. São afirmações do próprio fabricante na página do produto, e a ambição é clara: capturar tudo, em qualquer lugar, sem usar as mãos.

Só que capturar nunca foi o gargalo. Um celular sobre a mesa grava reunião bem o suficiente há uma década. Tornar a captura mais ambiente só aumenta o volume de áudio que desemboca exatamente no mesmo pipeline não resolvido. Se muda algo, é para agravar: um aparelho que grava todas as suas conversas do dia produz muito mais material sobre o qual alguém precisa aplicar a decisão do que importa.

O que testar em vez de ler o número do WER

Se você está avaliando uma ferramenta de transcrição ou de atas, o número de precisão publicado não vai separar os candidatos, porque todos cabem em poucos pontos. Três testes vão.

Grave uma reunião real com pelo menos três pessoas e um trecho com sobreposição de fala de verdade, e então verifique se os rótulos de falante continuam consistentes do minuto cinco ao minuto cinquenta — é ali que a diarização se degrada em silêncio. Depois, pegue uma decisão enunciada na negativa ("neste trimestre a gente não faz a migração") e procure por ela no resumo; um sistema que inverte ou perde negações se entrega justamente aqui. Por fim, compare o resumo com a sua própria memória da reunião e conte duas coisas separadamente: o que ele incluiu e não importava, e o que ele deixou passar e importava. Esse segundo número ninguém publica, e é ele que determina se daqui a três meses você ainda vai estar usando a ferramenta.

Conclusão

A taxa de erro de palavra respondia à pergunta "a máquina ouviu as palavras?" — e o setor já respondeu. O que nenhum ranking respondeu foi: "isso me diz o que a reunião decidiu?".

São perguntas diferentes, e só uma delas algum dia foi o ponto. Uma transcrição é um registro de som. Uma ata é um registro de uma decisão. A distância entre as duas não se mede em pontos percentuais, e não vai ser fechada por um microfone melhor nem por um WER menor. Ela se fecha com tudo que você constrói em cima: saber quem falou, onde o raciocínio terminou, quais palavras eram ruído e quais três frases de uma hora foram o motivo de a reunião ter acontecido.

A transcrição nunca foi a entrega. Era a matéria-prima.

É exatamente assim que construímos o Telli.sh: reconhecimento de fala é um componente, e o trabalho que tratamos como produto está acima dele — separação de falantes, segmentação, refinamento e resumos que separam decisões de conversa fiada, em 15 idiomas. Se quiser ver a diferença entre uma transcrição e uma ata numa reunião sua, grave uma e leia o resultado alguns minutos depois.

Começar uma nota de IA ao vivo

Fontes

• MAI-Transcribe in Azure Speech (preview) — Microsoft Learn — a lista de limitações, incluindo "a diarização não é suportada"
• Microsoft AI Introduces MAI-Transcribe-1.5 — MarkTechPost, 8 de junho de 2026
• Introducing MAI-Transcribe-1.5 — Microsoft AI
• Ranking de speech-to-text da Artificial Analysis — números AA-WER v2 consultados em 4 de agosto de 2026
• Página do produto INMO GO3 — afirmações do fabricante sobre tradução e transcrição
• Página da imagem no Wikimedia Commons