Como melhorar a precisão da transcrição: 5 fatores em ordem (2026)

Resposta rápida: a precisão de uma transcrição se decide, na maior parte, antes de qualquer software rodar. Pelos números publicados, a ordem dos fatores é esta: distância do microfone e acústica da sala (o mesmo modelo de ponta que marca 2–3% de taxa de erro de palavras com o microfone perto marca em torno de 16% em reuniões com microfone distante — cinco vezes mais erros), falas sobrepostas (o principal motivo de gravações de reunião ficarem em último em qualquer benchmark), ruído e silêncios longos (o silêncio é onde os modelos de fala alucinam texto que ninguém disse), idioma e vocabulário (as taxas de erro publicadas variam mais de dez vezes de um idioma para outro) e, por último, o modelo — o único fator que depende só de software. Abaixo, cada afirmação aponta para o seu número medido.

Este guia foi escrito pela equipe do LoroNote em 27 de agosto de 2026. Todo número de benchmark aqui vem das fontes primárias reunidas na nossa página de estatísticas de transcrição verificadas; o método de medição do final vem do nosso guia de taxa de erro de palavras. O LoroNote roda o Whisper Large V3 Turbo no dispositivo, então melhorar as suas condições de gravação melhora o resultado do nosso próprio produto — não temos motivo nenhum para dizer que a precisão está boa como está.

Os cinco fatores, em ordem de efeito medido

A ordem importa. Quem sai à procura de um app melhor está mexendo no fator 5 — mas quem faz o estrago são os fatores 1 a 3.

Fator 1: distância do microfone — cinco vezes mais erros

O que mais pesa na precisão é a distância entre o microfone e a boca. A demonstração publicada mais limpa é um único modelo medido em condições diferentes: o Whisper Large V3 tem média de uns 7,4% de WER em oito conjuntos de teste variados em inglês, cerca de 2–3% em fala lida limpa com microfone perto — e em torno de 16% no corpus AMI, gravado em salas de reunião com microfones distantes. Nada no software mudou entre essas linhas. O que mudou foi o áudio.

O que fazer na prática:

• Antes de gastar com equipamento, mude o celular de lugar. Um celular apoiado perto de quem fala rende mais que um equipamento caro do outro lado da sala. Numa entrevista a dois, o lugar do celular é entre vocês, um pouco mais perto da voz mais baixa.
• Em reuniões, deixe o aparelho no centro da mesa, não na sua frente. Cada metro a mais até a pessoa mais distante custa mais do que qualquer troca de app consegue recuperar.
• Ditando sozinho, você já parte na frente. Falar a um braço de distância do celular já é gravação com microfone perto — o melhor cenário possível. Se mesmo assim as suas gravações solo saem ruins, o problema não é a distância; é um dos fatores abaixo.

Fator 2: falas sobrepostas

Falas sobrepostas são o segundo motivo de o áudio de reunião ir mal em qualquer benchmark. Quando duas pessoas falam ao mesmo tempo, simplesmente não existe sinal limpo para transcrever — o modelo precisa escolher uma das vozes, e cada palavra da outra vira erro. Isso é um problema de física antes de ser um problema de software, e é por isso que nenhum upgrade de modelo o elimina.

O que fazer na prática:

• Um de cada vez rende mais do que qualquer configuração. Nas reuniões que você conduz, o hábito de deixar cada um terminar a frase já melhora a precisão por si só.
• Deixe as vozes importantes perto do microfone. Se quem decide murmura do canto mais distante da sala, é exatamente ali que a sua transcrição vai falhar.
• Conte que os rótulos de falante também sofrem quando as falas se cruzam. Identificar quem disse o quê é uma etapa separada, com falhas próprias — como funciona a identificação de falantes mostra onde ela quebra. Uma transcrição pode acertar todas as palavras e ainda assim atribuí-las à pessoa errada nos trechos sobrepostos.

Fator 3: ruído, música e silêncio

Ruído de fundo constante degrada a transcrição aos poucos; os próprios testes de robustez do artigo do Whisper mostram o reconhecimento desabando quando o ruído passa da marca de uns 10 dB de relação sinal-ruído — o nível de um café ou bar barulhento, faixa em que os modelos concorrentes desabaram antes do Whisper. Música é pior que ruído por um motivo a mais: modelos de fala treinados em corpora gigantes da web viram muita música com letra, e vão tentar transcrever a canção.

O silêncio tem uma armadilha própria. Um estudo de 2024 sobre a API do Whisper encontrou frases alucinadas em cerca de 1% das transcrições — frases inventadas concentradas nos trechos em que o áudio fica quieto, e bem mais frequentes na fala de quem faz pausas longas. (Inserções nascidas do silêncio também explicam como uma taxa de erro de palavras passa de 100%.)

O que fazer na prática:

• Prefira a sala mais silenciosa ao microfone melhor. Um celular numa sala quieta rende mais que um bom microfone numa sala barulhenta.
• Desligue a música de fundo quando a gravação importa. Ela atrapalha duas vezes: mascara a voz e ainda disputa a transcrição com ela.
• Corte os trechos longos de silêncio antes de transcrever, ou grave em partes — silêncio não é um espaço em branco inofensivo; é onde o texto inventado aparece. Depois, desconfie dos trechos da transcrição em que a gravação estava quieta.

Fator 4: idioma, sotaque e vocabulário

Os números publicados para o mesmo modelo Whisper variam mais de dez vezes de um idioma para outro — de 4,3% (holandês) a 55,7% (albanês) no Common Voice 15. As diferenças por sotaque também são reais e documentadas: uma pesquisa revisada por pares mediu taxa de erro média de 35% para falantes negros americanos contra 19% para falantes brancos, em cinco sistemas comerciais testados em 2019. Nenhuma configuração muda os dados com que o modelo foi treinado — mas duas coisas estão de fato nas suas mãos:

• Nomes, jargões e termos de produto falham primeiro, e erram sempre no mesmo lugar. O modelo nunca viu o nome do seu cliente; vai chutar a mesma palavra errada toda vez. Esse é o único problema de precisão com correção direta: o dicionário personalizado do LoroNote existe para você ensinar o termo uma vez — e o modelo parar de chutar.
• Pronuncie números, nomes e códigos com clareza. O hábito não custa nada e protege exatamente as palavras cujo erro sai mais caro — uma data trocada e um vício de linguagem trocado contam o mesmo num benchmark, mas não no seu dia.
• Se o seu idioma aparece embaixo nas tabelas publicadas, um teste de dois minutos com o seu próprio áudio diz mais do que qualquer tabela — o gráfico por idioma, e por que alguns idiomas são medidos por CER em vez de WER, está no guia de WER.

Fator 5: o modelo — o único fator que é só software

Quando o áudio já está tão bom quanto as circunstâncias permitem, o que resta é qual modelo o seu app roda. E a diferença não é sutil: no único benchmark que os rodou lado a lado, o Whisper Small marcou 3,74% no LibriSpeech test-clean e 7,95% no test-other, enquanto motores classe Large ficaram perto de 2% e 4,5% — cerca de metade dos erros, por uma escolha de tamanho de modelo que o app fez por você. “Powered by Whisper” na página de um app cobre tamanhos cuja precisão difere por um fator de dois, e vários apps de iOS rodam os tamanhos menores sem avisar.

Na prática: antes de trocar de app por causa de precisão, verifique qual variante cada app realmente carrega. O LoroNote roda o Whisper Large V3 Turbo — um modelo da família Large — no dispositivo; num iPhone 15 Pro, isso significa transcrever a cerca de 19× o tempo real (medição nossa), então a precisão de modelo grande vem sem espera de vários minutos.

O que não ajuda muito

Três correções que todo mundo tenta e que a evidência não sustenta:

• Gravar numa taxa de amostragem mais alta. O Whisper reamostra todo áudio para 16.000 Hz antes de escutar — o artigo diz isso explicitamente. Um arquivo de estúdio a 96 kHz e um memorando de voz comum chegam iguais ao modelo; gaste esse esforço aproximando o microfone e silenciando a sala.
• Um celular mais novo. O microfone de qualquer iPhone recente não é o gargalo; a posição dele é. (Um celular mais novo transcreve mais rápido, o que é outra história.)
• Filtros de “aprimoramento” antes da transcrição. Remoção agressiva de ruído pode borrar a estrutura harmônica que o modelo lê. Se for usar um, não confie no áudio que soa mais limpo: confira com uma contagem de erros antes e depois, no mesmo trecho. Mais limpo para o seu ouvido não é mais limpo para o modelo.

Meça a correção, não a impressão

Cada fator acima se testa em dez minutos: grave dois minutos nas suas condições atuais, transcreva e conte os erros num trecho de 200 palavras com regras fixas; mude uma coisa só — aproxime o celular, desligue a música — e rode o mesmo trecho de novo. O método completo de contagem, incluindo decidir de antemão o que conta como erro, está no nosso guia de WER. Como o LoroNote transcreve no dispositivo e os dois primeiros minutos de cada gravação são gratuitos, o experimento não custa nada e funciona até com o modo Avião ligado.

Perguntas frequentes

Por que minha transcrição está tão errada?

Confira os fatores nesta ordem: a distância do microfone até quem falava, se as pessoas falaram por cima umas das outras, o barulho da sala e quanto silêncio a gravação contém, se as palavras que falham são nomes e jargões e, por fim, qual modelo o seu app roda. Nos benchmarks publicados, só a distância do microfone já move o mesmo modelo de uns 2–3% para cerca de 16% de taxa de erro — mais do que qualquer troca de app recupera.

Um microfone externo melhora a precisão da transcrição?

O que melhora a precisão é a distância; um microfone externo é um jeito de encurtá-la. Um microfone de lapela em quem fala é, na prática, gravação com microfone perto mesmo numa sala grande. Mas um celular bem posicionado consegue a maior parte do mesmo efeito de graça — posição primeiro, equipamento depois.

Música de fundo afeta a transcrição?

Sim, duas vezes: ela mascara a voz como qualquer ruído e, como os modelos de fala aprenderam com quantidades enormes de áudio com letra de música, eles podem transcrever a canção em vez de quem fala. Além disso, o reconhecimento degrada forte quando o ruído passa do nível de uns 10 dB de relação sinal-ruído — o de um café barulhento. Desligue a música nas gravações que importam.

Dá para corrigir erros de sotaque com alguma configuração?

Com configuração, não — o desempenho por sotaque está nos dados de treinamento do modelo, e a pesquisa documentou diferenças demográficas reais. O que está nas suas mãos: escolher um app que rode um modelo classe Large (modelos maiores absorvem mais variação de pronúncia), cadastrar nomes e termos recorrentes no dicionário personalizado e medir nos seus próprios dois minutos, em vez de confiar em médias medidas na voz dos outros.

Gravações mais longas transcrevem com menos precisão?

A duração em si não é um fator de precisão documentado — a condição é. Uma aula de três horas gravada de perto e em silêncio transcreve como os seus primeiros dez minutos. O que cresce com a duração é o trabalho de revisar os erros, e é por isso que as correções acima importam ainda mais nas gravações longas.

Considerações finais sobre a precisão da transcrição

O conselho de sempre aponta para o software, porque software é fácil de trocar. Os números medidos apontam para o outro lado: os cinco erros a mais vêm da distância do microfone e da acústica da sala, as falhas que não saem vêm das falas sobrepostas e do silêncio, e o único ajuste que é de fato software é o modelo que o app carrega. Aproxime o celular, deixe a sala em silêncio, falem um de cada vez, cadastre os nomes que se repetem, confira o modelo — nessa ordem — e comprove cada mudança contando os erros antes e depois na sua própria gravação. No fim, o único número de precisão que importa é o seu.

Fontes

• Estatísticas de transcrição por IA: todo número verificado — as fontes primárias e datas de verificação de todos os números de benchmark usados acima (em inglês)
• OpenAI, Robust Speech Recognition via Large-Scale Weak Supervision — reamostragem a 16.000 Hz; robustez a ruído aditivo (degradação abaixo de ~10 dB de SNR com ruído de bar)
• Open ASR Leaderboard — números de múltiplos benchmarks e de sala de reunião (AMI)
• Koenecke et al., Racial disparities in automated speech recognition (PNAS, 2020) — a diferença medida por sotaque/dialeto
• Koenecke et al., Careless Whisper: Speech-to-Text Hallucination Harms (2024) — alucinação no silêncio
• Lyonesse, Apple’s New Speech API vs Whisper — a rodada lado a lado de Small contra classe Large
• LoroNote, O que é taxa de erro de palavras? — o método de medição para os testes antes-e-depois

Números conferidos de novo nas fontes com link em 26–27 de agosto de 2026.