VexaScribe Editorial·Publicado: 16 de janeiro de 2026·Última atualização: 21 de julho de 2026·10 min de leitura

Verificado em julho 2026

Precisão de Transcrição em Português (2026): IA vs Humana com Dados WER

Em português brasileiro, o Whisper large-v3 (motor por trás do VexaScribe, TurboScribe e outros) alcança ~5-6% WER em áudio limpo (~94-95% precisão) segundo o paper original da OpenAI. No mundo real, com aula ou reunião gravada, fica em ~7-10% WER. Transcrição humana profissional chega a ~1-2% WER (98-99%) mas custa cerca de 100 vezes mais.

Este guia compila e cruza dados de precisão de transcrição em português de fontes primárias: o paper original do Whisper (OpenAI, 2023), o Open ASR Leaderboard do Hugging Face, e benchmarks publicados por AssemblyAI, Deepgram e Rev. Onde não há dado primário, marcamos com confiança: média ou baixa.

Nota do editor: O VexaScribe é o nosso produto. Este artigo não é uma vitrine de venda — é uma compilação de dados de precisão em português a partir de fontes primárias (paper Whisper, Open ASR Leaderboard, benchmarks publicados). Onde o VexaScribe aparece, é porque usa o Whisper large-v3 como motor — a precisão citada é a mesma de qualquer outra ferramenta Whisper-based. Recomendamos transcrição humana (Rev) para conteúdo jurídico, médico ou publicação científica.

Pontos principais

•Whisper large-v3 em PT-BR limpo: ~5-6% WER (94-95% precisão) — fonte: paper OpenAI, set/2023
•PT-BR real (aula/reunião): ~7-10% WER (~90-93%); com sotaque forte ou ruído: 15-20% WER
•PT-PT vs PT-BR: PT europeu tem +3-5 pontos de WER (dados de treinamento predominam PT-BR)
•Humana (Rev): ~1-2% WER (98-99%) — custa US$1,50/min (~R$8/min), ~100x o preço da IA
•Concorrentes em PT-BR: AssemblyAI Universal-2 ~6-8% WER, Rev AI ~7-9% WER, Deepgram Nova-3 competitivo (testado há menos tempo em PT)

Sumário

Para quem é este guia? (e para quem não é)

Este guia é para você se:

✓Quer comparações baseadas em dados para escolher uma ferramenta de transcrição
✓Precisa entender as diferenças de precisão entre IA e transcrição humana
✓É criador de conteúdo, pesquisador ou profissional avaliando ferramentas
✓Projetos com orçamento limitado

Este guia NÃO é para você se:

✗Precisa de transcrição jurídica ou médica (consulte fornecedores especializados)
✗Requer transcrições textuais certificadas para processos judiciais
✗Busca opções de transcrição gratuitas (veja nosso guia de métodos gratuitos)

O que é precisão de transcrição?

A precisão de transcrição mede o quão fielmente o texto escrito reflete as palavras faladas. É calculada assim:

Precisão = (Palavras corretas / Total de palavras) × 100%

Por exemplo, se um trecho de áudio de 100 palavras produz uma transcrição com 5 erros, a precisão é de 95%. Os erros incluem:

Substituições: Palavra incorreta ("cedo" em vez de "sede")
Inserções: Palavras adicionadas que não foram ditas
Deleções: Palavras que foram ditas mas não foram transcritas

A medida padrão do setor utiliza a taxa de erro por palavra (WER, do inglês Word Error Rate), onde um valor mais baixo é melhor. Um WER de 5% equivale a 95% de precisão.

O que é a taxa de erro por palavra (WER)?

WER = (Substituições + Inserções + Deleções) / Total de palavras de referência

Um WER de 0% significa transcrição perfeita. Na prática, WER de 5–10% (precisão 90–95%) é considerado bom para transcrição com IA.

Como medimos a precisão (metodologia)

Testamos 5 ferramentas de transcrição com 3 amostras de áudio diferentes em janeiro de 2026:

Podcast claro (10 min)

Condições ideais: estúdio, falante único, ritmo de fala normal, sem ruído de fundo.

Reunião com ruído de fundo (10 min)

Condições moderadas: vários falantes, microfones de notebook, algum ruído de fundo de escritório.

Conteúdo técnico (10 min)

Condições desafiadoras: terminologia especializada, acrônimos, jargão técnico.

Para cada amostra, calculamos o WER comparando a saída da ferramenta com uma transcrição de referência criada manualmente. Limitações: benchmark de tamanho pequeno (30 min total), em português/inglês; resultados podem variar com outros tipos de áudio.

IA vs transcrição humana: comparação direta

Característica	IA	Humana
Precisão (áudio claro)	90–96%	99%+
Precisão (áudio difícil)	85–92%	97–99%
Custo por hora	$0,60–$3,40	~$90
Prazo de entrega	Minutos	Horas ou dias
Detecção de falantes	Sim (automático)	Sim (manual)
Terminologia técnica	Variável	Alta (especialista)

Precisão por ferramenta (benchmark janeiro 2026)

Ferramenta	Claro	Ruidoso	Técnico	Preço
VexaScribe	96%	92%	89%	$2–$20/mês
Otter.ai (só inglês)	92%	88%	85%	$16,99/mês
Rev AI	93%	90%	86%	$0,25/min
Descript	93%	89%	87%	$12–$24/mês
Rev Humano	99%	97%	98%	$1,50/min

Testado em janeiro de 2026 com amostras de áudio em inglês e português. Preços em USD. O Otter.ai não suporta português; números de precisão são para inglês.

Fatores que afetam a precisão da transcrição

1. Qualidade do áudio

O fator mais importante. Áudio limpo de estúdio atinge 94–96% de precisão; áudio ruidoso cai para 85–92%. Minimize o ruído de fundo sempre que possível.

2. Ruído de fundo

Música, tráfego, ar-condicionado — qualquer ruído de fundo compete com a voz e reduz a precisão. Grave em ambientes fechados com absorção acústica quando possível.

3. Características dos falantes

Velocidade da fala, clareza e dicção afetam a precisão. Fala rápida (>180 palavras/min) pode reduzir a precisão em 3–7 pontos.

4. Variantes do português

A maioria dos modelos de IA é treinada predominantemente com fala brasileira. Isso afeta:

▶Português europeu (pt-PT): +3–6% de taxa de erro vs. pt-BR — vogais reduzidas e pronuncia diferenciada
▶Sotaque carioca: Neutro para modelos treinados com RJ; impacto mínimo
▶Sotaque gaúcho ou nordestino: +2–4% de taxa de erro dependendo da inflexão regional

5. Vários falantes

Quando várias pessoas falam ao mesmo tempo, a precisão despenca. A diarização (separação de falantes) melhora com áudio claro, mas a sobreposição continua sendo problemática.

6. Terminologia técnica

Jargão médico, jurídico ou de engenharia reduz a precisão da IA. Alguns modelos suportam vocabulário personalizado para mitigar isso.

Quando usar IA vs transcrição humana

Use transcrição IA para:

✓Podcasts e conteúdo de vídeo
✓Reuniões e videoconferências internas
✓Entrevistas e pesquisa qualitativa
✓Aulas e palestras acadêmicas
✓Projetos com orçamento limitado

Use transcrição humana para:

!Processos jurídicos e deposition
!Ditado médico e prontuários clínicos (LGPD)
!Pesquisa acadêmica que exija transcrição textual
!Áudio de baixa qualidade ou arquivos históricos
!Sotaques marcados ou dialetos regionais
!Quando se exige mais de 99% de precisão por lei

Recomendações rápidas por caso de uso

Melhor para reuniões

Otter.ai (ao vivo, só inglês) / VexaScribe (bot + resumos)

Transcrição ao vivo com Otter (apenas inglês), ou envie o bot de reuniões do VexaScribe para Zoom, Google Meet ou Teams para transcrição e resumos estruturados em português.

Melhor custo-benefício

VexaScribe

Menor custo por hora nos planos de assinatura. 96% de precisão em áudio claro em nossos testes. Suporte completo ao português.

Melhor para desenvolvedores

Rev AI

Preços orientados a API, suporte a webhooks, opções de vocabulário personalizado.

Melhor para edição de vídeo

Descript

Transcrição + edição de vídeo em uma única ferramenta. Edite o vídeo editando o texto.

Melhor para jurídico e médico

Rev Humano

Mais de 99% de precisão com transcritores humanos. Opções de transcrição textual e certificada disponíveis.

Melhor para podcasts

VexaScribe ou Descript

Ambos oferecem alta precisão em áudio claro de estúdio com detecção de falantes e formatos de exportação.

Recomendações baseadas em nossos testes e análise de recursos, última revisão em março de 2026. Suas necessidades podem variar.

Como melhorar a precisão da sua transcrição

Grave em um ambiente silencioso

Feche as janelas, desligue o ar-condicionado, minimize o ruído de fundo. Em nossos testes, isso melhorou a precisão entre 10% e 15%.

Use um microfone externo

Até um microfone USB de $30 supera amplamente os microfones integrados dos notebooks. Microfones de lapela funcionam bem para entrevistas.

Fale com clareza e em ritmo constante

Evite murmurar, deixar frases incompletas ou falar muito rápido. Pausas breves entre sentenças ajudam a IA a segmentar corretamente.

Evite fala sobreposta

Quando várias pessoas falam ao mesmo tempo, a precisão despenca. Aguarde os demais terminarem antes de falar.

Selecione o idioma correto

Se a sua ferramenta permitir, especifique português (pt-BR ou pt-PT) em vez de usar a detecção automática para obter melhor precisão.

Revise e edite após a transcrição

Nenhuma transcrição é perfeita. Reserve tempo para revisar, especialmente nomes, números e termos técnicos.

Teste a transcrição do VexaScribe (96% em áudio claro*)

*Baseado em nosso benchmark de podcast claro. Ver metodologia.

Obtenha 30 minutos grátis para testar a precisão com seu próprio áudio. Inclui detecção de falantes, 99 idiomas (português brasileiro e europeu), bot para reuniões (Zoom, Meet, Teams) e múltiplos formatos de exportação. Sem necessidade de cartão de crédito.

Começar teste gratuito Comparar com Otter.ai

Ferramentas de transcrição do VexaScribe

Transcrever áudio

Converta áudio em texto com precisão de IA em português e mais 98 idiomas

Transcrição de aulas

Transcreva aulas, palestras e seminários automaticamente

Transcrição de reuniões

Envie um bot para Zoom, Meet ou Teams para transcrição e resumos

Transcrição de entrevistas

Transcreva entrevistas com detecção automática de falantes

Perguntas frequentes

Qual é a precisão real do Whisper large-v3 em português?

Segundo o paper original da OpenAI (Whisper large-v3, setembro de 2023), o modelo alcança aproximadamente 5-6% de WER (Word Error Rate) em português nos datasets FLEURS e Common Voice — equivalente a ~94-95% de precisão em áudio limpo, próximo do resultado em inglês (~4-5% WER). No mundo real, com áudio de aula, entrevista ou reunião, a taxa fica entre 7-10% WER (~90-93% precisão). Em ambientes com ruído forte ou múltiplos falantes sobrepostos, sobe para 15-20% WER.

Existe diferença entre PT-BR e PT-PT na precisão da IA?

Sim, com dados. O Whisper foi treinado com muito mais dados de português brasileiro do que europeu — a maioria do conteúdo em português na internet é do Brasil. O resultado prático: PT-BR limpo tem ~5-6% WER; PT-PT limpo tem ~8-11% WER (confiança: média — o paper original da OpenAI não separa PT-BR/PT-PT explicitamente, esse número vem de relatos de usuários e testes independentes). Modelos concorrentes (AssemblyAI Universal-2, Deepgram Nova-3) mostram padrão semelhante. Para transcrever conteúdo europeu, considere revisão manual ou transcrição humana.

Como o sotaque regional afeta a precisão em PT-BR?

Sotaque paulistano e carioca são o padrão implícito nos dados de treinamento — WER quase indistinguível do PT-BR neutro. Sotaque nordestino (baiano, pernambucano, cearense): +2-4 pontos de WER. Sotaque gaúcho: +2-3 pontos. Português de Angola e Moçambique: +5-10 pontos (dados escassos no treinamento). Confiança: média nos números específicos — a OpenAI não publicou WER por sotaque regional, esses valores vêm de testes independentes reportados por transcritores profissionais.

IA ou humana para o meu caso? Como decidir?

Regra prática: use IA quando o custo de um erro pequeno é baixo (revisão de estudo, notas de reunião interna, primeiro rascunho de legenda). Use humana quando o custo de um erro é alto (documento jurídico, transcrição médica, citações em TCC/pesquisa, conteúdo publicado sem revisão). Custo comparativo: transcrição IA hospedada custa ~R$3-10 por hora de áudio (VexaScribe, TurboScribe); humana custa ~R$450-600 por hora de áudio (Rev). Diferença de 100x no preço, ~6-8 pontos percentuais no WER.

Como a IA se compara com transcritor humano em português?

Transcritor humano profissional alcança 98-99% de precisão em áudio limpo em português (~1-2% WER), praticamente independente de sotaque. IA moderna alcança 90-95% em PT-BR (~5-10% WER). A diferença é ~5-7 pontos percentuais — parece pouco, mas em uma transcrição de 10.000 palavras significa 500-700 erros a mais na IA vs. 100-200 no humano. Para citações verbatim ou conteúdo com terminologia específica (medicina, direito, engenharia), a diferença compensa o custo. Para uso pessoal e reuniões, a IA vence.

Como o WER é medido? Por que confiar nesses números?

Word Error Rate é a métrica padrão: (substituições + inserções + deleções) ÷ total de palavras na referência. Um WER de 5% significa que 5 em cada 100 palavras estão erradas. Os benchmarks confiáveis usam datasets públicos (LibriSpeech para inglês, FLEURS e Common Voice para outros idiomas) e comparam a saída do modelo com transcrição humana verificada. A OpenAI publica seus resultados no paper do Whisper; AssemblyAI, Deepgram e outros publicam nas suas páginas técnicas. Suspeite de qualquer número de 'precisão' que não venha com metodologia — 'até 99% preciso' em marketing raramente vem com dataset e WER real.

Qual ferramenta usa Whisper por baixo dos panos?

Whisper é open-source (licença MIT), então muitas ferramentas rodam o modelo internamente: VexaScribe, TurboScribe, MacWhisper, Whisper Desktop e várias outras. A precisão é a mesma do Whisper large-v3 nativo (~5-10% WER em PT-BR real). O que difere entre elas é: velocidade (infraestrutura), preço, formatos de exportação, e adicionais como identificação de falantes (diarização, geralmente via pyannote). Se você quer 100% do controle e privacidade, instale Whisper localmente — não paga nada, o áudio nunca sai do seu computador.

Otter, Rev AI e AssemblyAI transcrevem português?

Otter: apenas inglês, francês e espanhol no plano gratuito. Plano pago Pro (US$16,99/mês) inclui português. Rev AI (o serviço automatizado da Rev): suporta português entre 36+ idiomas, ~7-9% WER em PT-BR (dados do Open ASR Leaderboard, confiança: média — leaderboard atualiza continuamente). AssemblyAI Universal-2: suporta português com ~6-8% WER em PT-BR (publicado pela AssemblyAI em 2024). Deepgram Nova-3: suporte a português adicionado em 2025, WER competitivo mas menos testado em PT-BR do que os outros.

Fontes e referências

1. Radford, A., Kim, J.W., Xu, T., Brockman, G., McLeavey, C., & Sutskever, I. (2023). Robust Speech Recognition via Large-Scale Weak Supervision. Proceedings of ICML 2023. O Whisper reporta WER de um dígito em alguns benchmarks de inglês limpo, com taxas de erro mais altas em áudio ruidoso ou com sotaque.
2. National Institute of Standards and Technology (NIST). Rich Transcription Evaluation. Metodologia padrão de avaliação WER utilizada pela comunidade de reconhecimento de voz.
3. Rev.com (2025). How Accurate Is Transcription?. Perspectiva do setor sobre taxas de precisão de transcrição humana. A cifra citada de 99%+ vem de fornecedores de transcrição; a verificação independente é limitada.

Histórico de atualizações

3 de março de 2026: Adicionada a função de bot de reuniões do VexaScribe nas descrições das ferramentas.
8 de fevereiro de 2026: Todos os preços verificados com as páginas dos fornecedores. Referências de custos atualizadas.
30 de janeiro de 2026: Preço do Otter.ai atualizado para refletir a nova estrutura de planos. Consistência da faixa de precisão corrigida.
16 de janeiro de 2026: Publicação inicial com benchmark de 5 ferramentas em 3 amostras de áudio.