Comparação de modelos de transcrição e como escolher
Medimos os 10 modelos de transcrição disponíveis nesta ferramenta com o mesmo áudio em 5 idiomas. A taxa de erro é a parcela da transcrição reconhecida incorretamente, e o tempo de processamento é uma estimativa de quanto leva 1 hora de áudio. Se não tiver certeza de qual modelo escolher, comece por “Recomendações por idioma e dispositivo”.
Medido em: 29 de outubro de 2026
Recomendações por idioma e dispositivo
Japonês
Em um computador com WebGPU, o Haas-ja v1.0 (710 MB) é o mais preciso (taxa de erro de 5,2%). Ele também leva cerca de um terço do tempo do SenseVoice Small. É o padrão no Chrome e no Edge nesses computadores (exceto Macs com Apple Silicon). Em celulares e computadores sem WebGPU, escolha o padrão, SenseVoice Small (240 MB). Sua precisão é parecida com a do Whisper Large v3 Turbo (1,5 GB), e ele leva menos da metade do tempo.
Chinês e coreano
Para chinês, o padrão SenseVoice Small é mais preciso que qualquer modelo Whisper. Para coreano, em um computador com WebGPU, o Whisper Large v3 Turbo (taxa de erro de 5,0%) e o Large v3 (4,6%) são mais precisos que o SenseVoice Small (7,9%). Nos dois idiomas, o Qwen3-ASR 1.7B em um computador com WebGPU é tão preciso quanto o SenseVoice Small ou mais.
Inglês
Em um computador com WebGPU, o Whisper Large v3 Turbo (taxa de erro de 5,8%) ou o Medium (5,7%) têm precisão suficiente. O mais preciso é o Qwen3-ASR 1.7B (4,3%), mas ele baixa cerca de 5,2 GB na primeira vez e usa cerca de 5 GB de memória da GPU. Em celulares, escolha o SenseVoice Small (9,0%).
Espanhol, alemão e outros idiomas
Em um computador com WebGPU, escolha o Whisper Large v3 Turbo. Para espanhol, o Turbo (taxa de erro de 4,4%) é mais preciso que o Large v3 (6,2%) e também mais rápido. O mais preciso para espanhol é o Qwen3-ASR 1.7B (4,1%). Em celulares e computadores sem WebGPU, escolha o Whisper Small ou maior.
Celulares
Para japonês, chinês, coreano e inglês, escolha o padrão, SenseVoice Small. Os celulares rodam uma versão mais leve (8 bits) do Whisper, então a taxa de erro do Tiny em japonês passa de 70%. Para outros idiomas, o Whisper Small é o mais preciso, mas o processamento leva tanto quanto a duração do áudio ou mais. Para áudios longos, o Whisper Base também é uma opção.
WebGPU é uma forma de o navegador usar a GPU para fazer cálculos. Está disponível no Chrome e no Edge para computador e em outros navegadores.
Abrir a ferramenta de transcriçãoTaxas de erro por idioma
A taxa de erro é a parcela da transcrição que difere do texto correto. Quanto menor, mais preciso. Japonês, chinês e coreano são contados por caractere; inglês e espanhol, por palavra. O modelo com menos erros em cada idioma está destacado. A tabela mostra os resultados em um computador com WebGPU.
| Modelo | Japonês | Inglês | Espanhol | Coreano | Chinês |
|---|---|---|---|---|---|
| Haas-ja v1.0 | 5,2% | — | — | — | — |
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% |
| Whisper Tiny | 44,4% | 16,0% | 21,1% | 20,4% | 30,1% |
| Whisper Base | 26,3% | 11,5% | 13,2% | 13,7% | 24,0% |
| Whisper Small | 14,1% | 7,3% | 7,6% | 7,2% | 14,5% |
| Whisper Medium | 8,7% | 5,7% | 5,3% | 5,7% | 9,8% |
| Whisper Large v3 Turbo | 8,9% | 5,8% | 4,4% | 5,0% | 9,9% |
| Whisper Large v3 | 6,9% | 5,6% | 6,2% | 4,6% | 11,5% |
| Qwen3-ASR 1.7B | 8,0% | 4,3% | 4,1% | 5,1% | 7,7% |
| Voxtral Mini 4B | 6,1% | — | — | — | — |
“—” significa que o modelo não pode ser selecionado para esse idioma nesta ferramenta. Estes resultados são de fala lida em voz alta, então todos os modelos cometem mais erros em gravações com ruído ou conversas entre várias pessoas.
Tempo de processamento e tamanho do download
O tempo de processamento é uma estimativa de quanto leva para transcrever 1 hora de áudio no nosso computador de teste (AMD Ryzen 7 8745H, GPU integrada Radeon 780M). O download é feito só na primeira vez; depois disso, é usado o modelo salvo no navegador.
| Modelo | Tempo para 1 hora de áudio | Download na primeira vez | Requisitos |
|---|---|---|---|
| Haas-ja v1.0 | cerca de 2 min | 〜710 MB | Computador com WebGPU (usa cerca de 1 GB de memória da GPU) |
| SenseVoice Small | cerca de 7 min | 〜240 MB | Computadores e celulares (roda na CPU) |
| Whisper Tiny | cerca de 5 min | 〜145 MB | Computadores e celulares |
| Whisper Base | cerca de 6 min | 〜280 MB | Computadores e celulares |
| Whisper Small | cerca de 10 min | 〜925 MB | Computadores e celulares |
| Whisper Medium | cerca de 19 min | 〜650 MB | Computador com WebGPU recomendado (na CPU, 1 hora de áudio leva várias horas) |
| Whisper Large v3 Turbo | cerca de 16 min | 〜1.5 GB | Computador com WebGPU e GPU compatível com ponto flutuante de 16 bits (fp16) recomendado (sem isso, roda na CPU e leva várias horas) |
| Whisper Large v3 | cerca de 23 min | 〜2.0 GB | Computador com WebGPU e GPU compatível com ponto flutuante de 16 bits (fp16) |
| Qwen3-ASR 1.7B | cerca de 19 min | 〜5.2 GB | Computador com WebGPU (usa cerca de 5 GB de memória da GPU) |
| Voxtral Mini 4B | cerca de 50 min | 〜2.9 GB | Computador com WebGPU e GPU compatível com ponto flutuante de 16 bits (fp16) (usa cerca de 5 GB de memória da GPU; a GPU integrada precisa de 16 GB de RAM ou mais) |
É mais rápido em computadores com GPU dedicada, como GeForce, e mais lento em computadores antigos. O SenseVoice Small não usa a GPU; ele roda na CPU.
Em celulares e computadores sem WebGPU
Em celulares e computadores sem WebGPU, uma versão mais leve (8 bits) do Whisper roda na CPU. As taxas de erro são maiores do que na GPU de um computador, e o Tiny, em especial, piora muito.
| Modelo | Japonês | Inglês | Espanhol | Coreano | Chinês | Tempo para 1 hora de áudio | Download na primeira vez |
|---|---|---|---|---|---|---|---|
| SenseVoice Small | 8,6% | 9,0% | — | 7,9% | 7,9% | cerca de 7 min | 〜240 MB |
| Whisper Tiny | 70,5% | 28,3% | 31,5% | 30,2% | 51,0% | cerca de 10 min | 〜40 MB |
| Whisper Base | 31,2% | 12,1% | 14,0% | 15,2% | 25,1% | cerca de 15 min | 〜75 MB |
| Whisper Small | 14,8% | 7,6% | 7,7% | 7,4% | 14,3% | cerca de 45 min | 〜240 MB |
Os tempos de processamento são da CPU do nosso computador de teste (1 thread). Celulares levam mais tempo. Whisper Medium e maiores levam várias horas para 1 hora de áudio na CPU.
O que as medições mostram
- Modelos maiores nem sempre são mais precisos. O Whisper Large v3 é mais preciso que o Large v3 Turbo em japonês e coreano, mas comete mais erros que o Turbo em espanhol e chinês e leva cerca de 1,4 vez o tempo do Turbo.
- Em japonês e chinês, o SenseVoice Small de 240 MB é tão preciso quanto o Whisper Large v3 Turbo de 1,5 GB ou mais (japonês 8,6% contra 8,9%, chinês 7,9% contra 9,9%).
- O Whisper Medium é quase tão preciso quanto o Large v3 Turbo com menos da metade do tamanho de download (650 MB contra 1,5 GB). Ele leva cerca de 1,2 vez o tempo do Turbo.
- O Qwen3-ASR 1.7B é o que comete menos erros em inglês, espanhol e chinês.
- O menor número de erros em japonês é do Haas-ja v1.0 (5,2%), cerca de 40% menos que o SenseVoice Small (8,6%). Ele também leva cerca de um terço do tempo do SenseVoice Small.
- Na CPU, como em celulares, a taxa de erro do Whisper Tiny sobe muito (de 44,4% para 70,5% em japonês). A do Small quase não muda.
Como medimos
- O áudio são 100 falas por idioma, escolhidas em intervalos regulares da divisão de teste do FLEURS (fala lida em voz alta), um benchmark multilíngue de reconhecimento de fala publicado pelo Google.
- Transcrevemos no navegador com o mesmo software desta ferramenta (transformers.js 4.2.0), os mesmos formatos de modelo e o mesmo processamento (o texto inicial dado ao Whisper e a nova execução de trechos que voltaram vazios).
- Removemos pontuação, espaços e diferenças entre caracteres de largura total e meia largura antes de comparar com o texto correto. O chinês foi convertido para chinês simplificado, e o inglês passou pela normalização de texto usada na avaliação do Whisper.
- O computador de teste tem um AMD Ryzen 7 8745H (GPU integrada Radeon 780M) e 32 GB de memória, e o navegador foi o Chromium 153. Os tempos de processamento não incluem o carregamento do modelo.
- O Haas-ja v1.0 e o Voxtral Mini 4B foram medidos só em japonês, e o SenseVoice Small nos 4 idiomas além do espanhol (só os idiomas para os quais cada modelo pode ser selecionado nesta ferramenta). O Voxtral Mini 4B foi medido um dia antes dos outros modelos, e o Haas-ja v1.0 em 3 de novembro de 2026, no mesmo computador e com o mesmo áudio.
- Como o Qwen3-ASR 1.7B usa um modelo separado para adicionar as marcas de tempo, seu tempo de processamento foi medido transcrevendo áudio em japonês (108 segundos) nesta ferramenta, incluindo essa etapa.
Perguntas frequentes
Modelos maiores são mais precisos?
Nem sempre. No Whisper, a precisão melhora com o tamanho do Tiny ao Medium, mas o Large v3 cometeu mais erros que o Large v3 Turbo em espanhol e chinês. Em japonês e chinês, o pequeno SenseVoice Small tem precisão parecida com a do Turbo.
Qual modelo devo escolher no celular?
Para japonês, chinês, coreano e inglês, escolha o SenseVoice Small. Ele também é o padrão. Para outros idiomas, o Whisper Small é o mais preciso, mas é lento, então o Whisper Base também é uma opção para áudios longos. O Tiny comete muitos erros e não é recomendado.
Como o modelo padrão é escolhido?
Ele é escolhido automaticamente com base no idioma selecionado e na capacidade do dispositivo. Para japonês, é o Haas-ja v1.0 em um computador com 4 GB de memória ou mais onde o WebGPU esteja disponível no Chrome, no Edge ou em um navegador parecido (exceto Macs com Apple Silicon). Para japonês nos demais casos, como em celulares ou no Safari e no Firefox, e para chinês e coreano, é o SenseVoice Small. Para inglês e outros idiomas, um dos modelos Whisper é escolhido com base na GPU e na memória. Em inglês, dispositivos que receberiam o Whisper Base ou menor (como celulares e computadores com GPU integrada) recebem o SenseVoice Small.
A taxa de erro será a mesma em gravações de reuniões?
Não. Estas medições usam fala lida em voz alta por uma pessoa, então todos os modelos cometem mais erros em gravações com ruído ou conversas entre várias pessoas. Use-as como referência para comparar modelos.
Escolha um modelo e transcreva
Esta ferramenta é grátis e não exige cadastro. Os arquivos de áudio são processados no navegador e nunca saem do seu dispositivo.
Abrir a ferramenta de transcrição