Qual é a precisão do Whisper AI? WER, limites reais e sugestões (2026)

Por Equipa editorial de whispertranscribe.ai · Última atualização: novembro de 2026 · 13 min de leitura · Categoria: Precisão de transcrição

Qual é a precisão do Whisper? Em inglês lido e nítido, o artigo da OpenAI apresenta uma taxa de erro de palavras (WER) de 2,5% para o Whisper large-v2, pelo que cerca de 97 a 98 palavras em 100 estão corretas. O áudio mais difícil tem piores resultados: 13,6% em chamadas telefónicas, 24,9% num jantar ruidoso e 39,9% numa reunião gravada por um único microfone distante.

O Whisper é o modelo de reconhecimento de fala de código aberto da OpenAI e o motor de muitas aplicações de transcrição, incluindo a nossa. Este guia aborda apenas a precisão: o que mede WER, o que mostram os testes por tipo de áudio e idioma, onde o Whisper falha e como testá-lo. Para conhecer o modelo, consulte a explicação sobre o que é Whisper AI.

A maioria dos valores vem do artigo sobre o Whisper (Radford e outros, 2022), que testou todos os modelos em «zero-shot», sem ajuste nos conjuntos de teste. A ficha do modelo large-v3 mais recente indica menos 10% a 20% de erros do que large-v2 em muitos idiomas, mas sem tabela completa por conjunto. whispertranscribe.ai publica este artigo. Não fizemos testes comparativos para ele e nenhum valor é resultado de um teste nosso.

Precisão do Whisper num relance

Nenhum conjunto de teste responde por si só, pois o áudio altera o resultado mais do que qualquer outro fator. A tabela mostra resultados da OpenAI para large-v2 com pesquisa em feixe e recurso à temperatura (Tabela 9 do apêndice), avaliados após a normalização de texto da OpenAI.

Tipo de áudio Conjunto de teste no artigo WER do Whisper large-v2 Proporção aproximada de palavras corretas
Audiolivro, leitura nítida LibriSpeech test-clean 2,5% Cerca de 97,5 em 100
Notícias lidas WSJ 2,6% Cerca de 97,4 em 100
Palestras TED TED-LIUM 3 3,7% Cerca de 96 em 100
Audiolivro, falantes mais difíceis LibriSpeech test-other 4,9% Cerca de 95 em 100
Voluntários com microfones domésticos Common Voice 5.1 8,2% Cerca de 92 em 100
Conversas telefónicas Switchboard 13,6% Cerca de 86 em 100
Entrevistas sociolinguísticas longas CORAAL 14,2% Cerca de 86 em 100
Chamadas entre família e amigos CallHome 16,4% Cerca de 84 em 100
Reuniões, cada pessoa com microfone de auscultadores AMI IHM 17,4% Cerca de 83 em 100
Jantares, microfones distantes CHiME-6 24,9% Cerca de 75 em 100
Reuniões, um microfone distante na mesa AMI SDM1 39,9% Cerca de 60 em 100

A «proporção de palavras corretas» é 100 menos WER, uma aproximação, pois WER também conta palavras acrescentadas.

É comum encontrar 2,7%: trata-se do mesmo modelo com descodificação gananciosa mais simples (Tabela 2 do artigo). As linhas AMI representam as mesmas reuniões gravadas de duas formas. Passar dos microfones junto a cada pessoa para um no centro da mesa mais do que duplica a taxa de erro.

O que é a taxa de erro de palavras (WER) e como se calcula?

WER é a proporção de palavras erradas numa transcrição face a uma referência revista por uma pessoa. Conte três tipos de erro e divida pelo número de palavras da referência:

WER = (substituições + omissões + inserções) ÷ palavras na referência

  • Substituição: uma palavra errada no lugar da correta («lanche» em vez de «lançamento»).
  • Omissão: uma palavra falada que falta na transcrição.
  • Inserção: uma palavra na transcrição que ninguém disse.

Eis um exemplo criado para o artigo; pode calcular esta taxa com a biblioteca de código aberto jiwer:

Linha Texto
Referência (22 palavras) mudámos o lançamento do produto para nove de março porque o fornecedor falhou dois prazos e a doutora patel pediu novo plano
Transcrição mudámos o lanche do produto para nove de março porque fornecedor falhou dois prazos e a doutora batalha pediu novo plano hoje
Erros 2 substituições (lanche, batalha), 1 omissão (o), 1 inserção (hoje)
WER 4 ÷ 22 = 18,2%

Três aspetos da WER podem surpreender:

  1. Pode ultrapassar 100%. As inserções não têm limite e alguns idiomas com poucos recursos no teste Fleurs do artigo ultrapassam 100%.
  2. A normalização altera o resultado. «Dr.» e «doctor» contam como erro se ambos os textos não forem limpos da mesma forma. A OpenAI indica que o normalizador reduziu WER até 50% em alguns conjuntos, sobretudo ao eliminar diferenças de formatação.
  3. Alguns idiomas usam taxa de erro de caracteres (CER). Para chinês, japonês, tailandês, laociano e birmanês, que não separam palavras com espaços, o artigo avalia caracteres.

Uma alegação de precisão sem conjunto de teste nem método de avaliação não é uma medição, seja quem for o fornecedor, incluindo nós.

Qual é a precisão do Whisper em inglês?

O Whisper é muito preciso em inglês nítido e continua utilizável em inglês difícil. No artigo, cometeu menos 55,2% de erros em 12 outros conjuntos de inglês do que um modelo wav2vec 2.0 supervisionado com resultado quase igual no LibriSpeech.

Gravações longas

O Whisper lê áudio em janelas de 30 segundos, pelo que o artigo testou ficheiros longos separadamente (Tabela 16 do apêndice, large-v2):

Conjunto longo Conteúdo WER
TED-LIUM 3 11 palestras TED completas 3,5%
Meanwhile 64 segmentos de televisão noturna com muitas palavras invulgares 5,1%
Kincaid46 46 gravações variadas de uma comparação de 2018 8,8%
Earnings-21 Chamadas de resultados de empresas 9,7%
Rev16 16 episódios de podcast 11,3%
Earnings-22 Mais chamadas de resultados, muitos sotaques 12,6%
CORAAL 231 entrevistas completas em inglês afro-americano 19,6%

Whisper versus transcritores humanos

A OpenAI pediu a quatro serviços humanos e um assistido por computador que transcrevessem 25 gravações Kincaid46. O serviço assistido teve um resultado 1,15 pontos percentuais melhor do que o Whisper e os serviços exclusivamente humanos apenas uma fração de ponto melhor. A conclusão do artigo: não é perfeito, mas aproxima-se muito da precisão humana.

O tamanho do modelo importa

O Whisper existe em vários tamanhos e as aplicações nem sempre indicam qual usam (Tabela 9 do apêndice):

Modelo Parâmetros LibriSpeech clean Common Voice 5.1 Switchboard CHiME-6
tiny 39M 6,7% 26,1% 18,3% 48,0%
base 74M 4,9% 19,4% 15,6% 40,0%
small 244M 3,3% 12,8% 13,3% 30,9%
medium 769M 2,7% 9,7% 13,2% 27,6%
large-v2 1550M 2,5% 8,2% 13,6% 24,9%

A diferença cresce com a dificuldade do áudio: cerca de 4 pontos em audiolivros nítidos e 23 pontos no jantar. O modelo turbo mais recente, um large-v3 otimizado, aceita uma pequena redução de precisão em troca de transcrição muito mais rápida, segundo o README do GitHub da OpenAI.

Qual é a precisão do Whisper noutros idiomas?

Fora do inglês, a precisão depende sobretudo da quantidade de áudio de treino disponível nesse idioma. O artigo encontrou correlação ao quadrado de 0,83 entre o logaritmo das horas de treino e o da WER, e estima que WER cai para metade por cada aumento de 16 vezes nos dados. A maioria dos 96 idiomas além do inglês tinha menos de 1.000 horas.

Resultados selecionados do Fleurs (frases lidas, large-v2, Tabela 13 do apêndice):

Idioma WER no Fleurs Nota
Espanhol 3,0% Mais baixo da tabela
Inglês 4,2%
Português 4,3%
Alemão 4,5%
Japonês 5,3% Taxa de erro de caracteres
Russo 5,6%
Francês 8,3%
Coreano 14,3% Assinalado como valor atípico
Chinês 14,7% Taxa de erro de caracteres
Árabe 16,0%
Hindi 21,5%
Hebraico 27,1% Assinalado como valor atípico
Suaíli 39,3%
Telugu 99,0% Assinalado como valor atípico

O artigo assinala hebraico, telugu, chinês e coreano como piores do que os dados de treino previam, possivelmente devido à distância linguística, a um tokenizador pouco adequado a essas escritas ou à qualidade dos dados. Fleurs contém fala lida, pelo que as taxas de erro em conversa podem ser superiores. O README tem um gráfico mais recente para large-v3 e large-v2 em Common Voice 15 e Fleurs.

Os resultados do espanhol são animadores para quem transcreve áudio espanhol para texto. Para idiomas com menos recursos, teste um excerto curto antes de avançar com um projeto completo.

O que afeta a precisão do Whisper?

As condições de gravação são o fator mais importante. Eis as evidências do artigo e da ficha do modelo:

Fator O que mostram as evidências O que fazer
Ruído de fundo Com ruído de pub abaixo de 10 dB de relação sinal-ruído, Whisper superou os 14 modelos comparados, mas todos pioraram com mais ruído Grave numa sala sossegada, longe de ventoinhas e música
Distância do microfone Nas mesmas reuniões AMI: 17,4% com microfone de auscultadores, 39,9% com um microfone de mesa Mantenha o microfone perto de quem fala
Conversa e falas sobrepostas Chamadas e jantares têm 13,6% a 24,9%, face a 2,5% em fala lida Uma pessoa de cada vez; um microfone por pessoa
Sotaques e dialetos A ficha do modelo indica precisão desigual entre sotaques e dialetos; entrevistas longas CORAAL obtiveram 19,6% Teste com vozes semelhantes às das suas gravações
Palavras raras e termos técnicos Bom resultado no conjunto Meanwhile, rico em termos invulgares (5,1%), mas nomes e termos continuam a gerar erros Verifique nomes e termos com uma lista
Recursos do idioma A WER Fleurs vai de 3,0% (espanhol) a 99,0% (telugu) Escolha o idioma; preveja mais revisão em idiomas com poucos recursos
Tamanho do modelo tiny tem 48,0% no CHiME-6, large-v2 tem 24,9% Pergunte que modelo a ferramenta usa ou escolha o maior disponível
Formato e frequência de amostragem O código do Whisper reamostra todo o áudio para mono a 16 kHz Um WAV a 48 kHz não acrescenta nada face a um ficheiro nítido de 16 kHz

Converter um MP3 num WAV grande não recupera detalhes perdidos. Uma gravação nítida com taxa de bits moderada supera uma ruidosa com taxa alta.

Problemas conhecidos do Whisper: alucinações, repetições e tempos

A OpenAI documenta cada uma destas falhas, que podem importar mais do que a sua quota na WER sugere.

Texto alucinado

O Whisper pode escrever palavras que ninguém disse. A ficha do modelo indica que as previsões podem incluir texto não falado no áudio, provavelmente porque o modelo também prevê as palavras seguintes mais prováveis. A secção de limitações do artigo menciona até «alucinação completa», ou seja, saída sem relação com o áudio.

Um estudo independente, Careless Whisper (Koenecke e outros, 2024), processou 13.140 segmentos de áudio pela API Whisper da OpenAI em abril e maio de 2023. Cerca de 1% das transcrições (1,4% em média) continham frases ou enunciados totalmente inventados, e 38% desses casos incluíam conteúdo prejudicial, como violência ou associações falsas. Pessoas com pausas mais longas, neste caso pessoas com afasia, desencadearam mais casos. A API mudou desde então; trate estes resultados como uma medição de 2023.

Repetições e palavras omitidas

A ficha do modelo diz que o Whisper tende a gerar texto repetitivo, situação reduzida pela pesquisa em feixe e programação da temperatura, mas não eliminada. O artigo também indica a omissão das primeiras ou últimas palavras de um segmento. As correções de descodificação reduziram a WER média em formato longo de 11,0% para 10,0%: melhorou, mas não ficou resolvido.

Silêncio, música e muletas

Texto inventado tende a aparecer em silêncios longos e música. O artigo concluiu que o sinal «sem fala» do Whisper não era fiável isoladamente, e o código aberto tem agora uma opção para saltar silêncios longos quando deteta uma provável alucinação.

Desvio de tempos e ficheiros longos

O Whisper avança pelo áudio longo numa janela de 30 segundos de cada vez, usando os seus próprios tempos previstos para posicionar a janela seguinte; o artigo indica que um erro numa janela pode passar para a próxima. Os tempos por palavra estão marcados como «experimentais» no código. Para legendas, verifique pontualmente a sincronização em redor de pausas.

Durante o desenvolvimento, a OpenAI também observou o Whisper a adivinhar nomes de intervenientes quase sempre incorretos. Os modelos lançados foram ajustados para reduzir esse comportamento, mas verifique qualquer nome no texto.

10 formas de melhorar a precisão da transcrição Whisper

A maioria das melhorias acontece antes de iniciar a transcrição. Por ordem aproximada de maior para menor efeito:

  1. Coloque o microfone perto. A distância, por si só, mais do que duplicou a taxa de erro nas reuniões AMI.
  2. Reduza o ruído na origem. Feche janelas, desligue ventoinhas e pause a música.
  3. Evite falas sobrepostas. Uma pessoa de cada vez é melhor do que qualquer definição.
  4. Corte silêncios longos e introduções musicais, onde o texto inventado aparece com maior frequência. Corte nas pausas, não a meio da frase.
  5. Defina o idioma manualmente. O Whisper identificou o idioma corretamente em 80,3% dos casos em 82 idiomas Fleurs, pelo que a deteção automática pode falhar em excertos curtos ou com sotaque.
  6. Use o maior modelo disponível, sobretudo para gravações ruidosas.
  7. Inclua nomes e termos no prompt se executar localmente. O Whisper de código aberto aceita um --initial_prompt com as grafias esperadas.
  8. Carregue o ficheiro original. Voltar a gravar através de altifalantes ou comprimir repetidamente elimina detalhes.
  9. Verifique os termos. Pesquise cada nome, número, data e sigla e confirme com o áudio.
  10. Reveja em duas passagens. Corrija primeiro os erros à velocidade normal. Depois procure sinais de alucinação: linhas repetidas, frases sobre silêncio, despedidas como «Obrigado por assistir». Em trabalho jurídico, médico ou para publicação, peça a uma pessoa que reveja tudo.

Como medir a precisão do Whisper no seu áudio

A melhor estimativa para o seu trabalho é um teste de 30 minutos nas suas gravações. Estes passos são para executar por si; não são um teste de whispertranscribe.ai. O script usa um normalizador de inglês, adequado a referências em inglês; para português ou outro idioma, use uma normalização apropriada ao idioma.

  1. Escolha três excertos de 2 minutos semelhantes ao trabalho real: um fácil, um típico e um difícil.
  2. Escreva uma transcrição de referência à mão, palavra por palavra. Defina primeiro as regras: manter ou retirar «hum», números em algarismos ou por extenso.
  3. Transcreva cada excerto com a ferramenta em teste e guarde texto simples.
  4. Normalize ambos os textos da mesma forma. O normalizador da OpenAI é fornecido com openai-whisper.
  5. Calcule WER com jiwer:
# pip install jiwer openai-whisper
import jiwer
from whisper.normalizers import EnglishTextNormalizer

norm = EnglishTextNormalizer()
ref = norm(open("reference.txt", encoding="utf-8").read())
hyp = norm(open("transcript.txt", encoding="utf-8").read())

out = jiwer.process_words(ref, hyp)
print(f"WER {out.wer:.1%}  S={out.substitutions} D={out.deletions} I={out.insertions}")
  1. Conte os erros críticos separadamente. Cinco muletas erradas e cinco nomes de clientes errados dão a mesma WER, mas não são o mesmo problema.
  2. Registe resultados para comparar ferramentas ou definições:
Excerto Condições Palavras de referência S D I WER Erros críticos
Excerto A Sala sossegada, uma pessoa 310
Excerto B Videochamada, duas pessoas 285
Excerto C Café, pessoa com sotaque 296

As contagens são exemplos. Uma cautela sobre o passo 4: quando executámos o normalizador de inglês da OpenAI numa frase criada para o teste, fez corresponder «Dr.» a «doctor» e «two» a «2», mas ainda avaliou «9th» face a «ninth» como erro. Leia as diferenças assinaladas antes de confiar no resultado.

Qual é a precisão de whispertranscribe.ai?

whispertranscribe.ai é uma ferramenta Web de transcrição com IA baseada no Whisper, com mais de 130 idiomas e carregamentos até 5 GB e 10 horas. A precisão chega a 99% com áudio nítido; ruído de fundo, sotaques fortes e falas sobrepostas reduzem-na, como os testes acima mostram para o próprio Whisper. Não afirmamos igualar ou superar os resultados do artigo e não publicámos um teste nosso; teste os seus excertos com os passos acima.

Pode começar gratuitamente sem conta. Os planos pagos começam em 9,99 USD por mês, com faturação anual; consulte os preços.

Perguntas frequentes

O Whisper tem 99% de precisão?

Não de forma geral. O melhor resultado publicado do Whisper é uma WER de 2,5% no LibriSpeech test-clean, um conjunto de audiolivros lidos claramente, equivalente a cerca de 97,5% de palavras corretas como aproximação. Em chamadas, reuniões e salas ruidosas, os valores da própria OpenAI vão de cerca de 13% a 40% de WER. Uma alegação de «99%» só tem significado se indicar o áudio em que foi medida. As ferramentas baseadas no Whisper, incluindo whispertranscribe.ai, devem ser avaliadas nas suas gravações, não numa percentagem destacada.

Qual é o modelo Whisper mais preciso?

Os modelos large são os mais precisos. No artigo da OpenAI, large-v2 teve as taxas de erro mais baixas na maioria dos conjuntos, e a ficha de large-v3 indica menos 10% a 20% de erros do que large-v2 em muitos idiomas. turbo é um large-v3 otimizado que, segundo a OpenAI, perde pouca precisão em troca de maior velocidade. O menor modelo, tiny, é muito menos preciso em áudio difícil: 48,0% de WER num jantar ruidoso, face a 24,9% para large-v2.

Porque escreve o Whisper palavras que não foram ditas?

O Whisper pode alucinar porque foi treinado para prever texto provável além de transcrever o som, e a ficha da OpenAI avisa que pode produzir texto ausente do áudio. Acontece sobretudo em silêncios longos, música ou ruído. Um estudo independente de 2023 encontrou frases alucinadas em cerca de 1% das transcrições, sendo mais prováveis nas pausas. Cortar silêncio, definir o idioma e rever trechos silenciosos reduz o risco.

Qual é a precisão do Whisper com sotaques?

O Whisper lida com sotaques melhor do que muitos sistemas antigos, mas não de forma uniforme. A ficha da OpenAI indica que a precisão varia entre sotaques e dialetos do mesmo idioma. No artigo, entrevistas longas em inglês afro-americano (CORAAL) obtiveram 19,6% de WER, face a 3,5% em palestras TED completas, embora as condições de gravação também sejam diferentes. A abordagem fiável é testar um excerto com vozes semelhantes às das suas gravações e prever mais revisão para sotaques fortes.

O Whisper é tão preciso como um transcritor humano?

Em inglês, aproxima-se, mas não iguala os melhores. A OpenAI comparou-o com cinco serviços profissionais em 25 gravações. Um serviço assistido por computador teve WER agregada 1,15 pontos abaixo da do Whisper e quatro serviços totalmente humanos foram melhores por uma fração de ponto. As pessoas continuam a lidar melhor com nomes, falas sobrepostas e fala pouco clara. Para qualquer conteúdo citado, arquivado ou publicado, uma pessoa deve rever a transcrição com a gravação.

Qual é a precisão do Whisper noutros idiomas além do inglês?

Varia muito por idioma. No teste Fleurs, large-v2 obteve 3,0% de WER em espanhol, 4,5% em alemão e 8,3% em francês, mas 27,1% em hebraico e 99,0% em telugu. Chinês e japonês são avaliados por taxa de erro de caracteres: 14,7% e 5,3%. O artigo concluiu que a precisão acompanha a quantidade de áudio de treino de cada idioma. Para idiomas com poucos recursos, teste primeiro um excerto e reserve mais tempo para correções.

Teste a precisão na sua gravação

Os testes descrevem o áudio de outras pessoas. Carregue um excerto em whispertranscribe.ai num dos mais de 130 idiomas e avalie-o com os passos deste guia. Comece gratuitamente sem conta ou compare os planos.

Artigos relacionados: O que é Whisper AI? · Melhor software gratuito de transcrição · Melhores alternativas ao TurboScribe · Como transcrever um vídeo YouTube · O que é um ficheiro SRT? · Legendas incorporadas e separadas

Referências

Quer converter as suas gravações em texto?

Transcreva áudio e vídeo com whispertranscribe.ai.

Começar a transcrever ↗