---
title: "O que é character error rate (CER)? A métrica de ASR"
description: "O character error rate avalia speech-to-text e OCR por edições de caracteres, não de palavras. A fórmula, um exemplo em árabe e quando usar CER em vez de WER."
url: https://broadrouter.com/pt/glossary/character-error-rate/
lang: pt-BR
updated: 2026-11-15
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/character-error-rate/) (atualizado em 2026-11-15).

# Character error rate (CER)

Atualizado em 2026-11-15

Character error rate (CER, taxa de erro de caracteres) mede a precisão de uma transcrição ou OCR no nível de caractere: substituições, exclusões e inserções necessárias para transformar a saída no texto de referência, divididas pelo número de caracteres da referência. Quanto menor, melhor, e 0 é uma correspondência perfeita.

Também chamado de: taxa de erro de caracteres, taxa de erro por caractere, métrica CER, CER, character error rate

O WER pergunta quantas palavras estavam erradas. O CER pergunta quantas letras estavam erradas, o que muitas vezes é a pergunta mais justa para o árabe.

## Como funciona

O CER usa a mesma ideia de distância de edição do [word error rate](https://broadrouter.com/pt/glossary/word-error-rate/), aplicada a caracteres. A metric card do Hugging Face dá a fórmula:

`CER = (S + D + I) / N`, em que S são as substituições, D as exclusões, I as inserções e N o número de caracteres da referência (N = S + D + C, sendo C os caracteres corretos).

Um exemplo prático em árabe. A referência é “وبالكتاب” (“e com o livro”, uma palavra, 8 letras). A transcrição é “وبلكتاب”, sem um alef:

| Métrica | Erros | Unidades da referência | Nota |
| --- | --- | --- | --- |
| WER | 1 palavra errada | 1 palavra | 1,0 (100%) |
| CER | 1 letra excluída | 8 caracteres | 0,125 (12,5%) |

Uma única letra faltando torna a palavra inteira errada para o WER. O CER mostra que a transcrição estava quase certa.

Em Python, o pacote `jiwer` calcula isso com `jiwer.cer(reference, hypothesis)`, e `jiwer.process_characters` também devolve o alinhamento. Normalize os dois lados antes, como no WER: pontuação, espaços e, no árabe, diacríticos e formas de alef ou yaa. Veja [normalização de texto árabe](https://broadrouter.com/pt/glossary/arabic-text-normalization/).

## Por que isso importa

-   **Morfologia do árabe.** O árabe cola conjunções, preposições e pronomes às palavras como clíticos, então uma palavra pode carregar o que o inglês escreve com três ou quatro. Uma única letra de prefixo errada custa uma palavra inteira no WER. O CER pesa isso como um caractere.
-   **Idiomas sem espaços.** O WER precisa de limites entre palavras. A card do Hugging Face diz que o CER é útil “especially for multilingual datasets where WER is not suitable given the diversity of languages.” (tradução: principalmente em datasets multilíngues, em que o WER não é adequado dada a diversidade de idiomas.)
-   **Tipo de erro.** Um modelo com WER alto e CER baixo está acertando as palavras quase por completo: deslizes de grafia, hamza ou clíticos que a normalização ou uma etapa de correção podem resolver. CER alto significa que o modelo está perdendo palavras inteiras ou conteúdo.
-   **Também para OCR.** A mesma métrica avalia texto lido de imagens, então é útil quando você compara pipelines de [OCR](https://broadrouter.com/pt/glossary/ocr/).

A metric card também avisa que o CER não diz por que os erros acontecem. Leia transcrições de exemplo junto com a nota.

## Na BroadNet Inference

A BroadNet publica WER, não CER, para o [BroadNet Transcribe Arabic](https://broadrouter.com/pt/models/cohere-transcribe-arabic/) e o [BroadNet Transcribe](https://broadrouter.com/pt/models/cohere-transcribe/). Para ter o CER, transcreva um conjunto de teste com gravações suas e calcule a nota você mesmo. O post [WER em árabe explicado](https://broadrouter.com/pt/blog/arabic-asr-wer-explained/) traz uma função de normalização e um script `jiwer` que imprime WER e CER, e o [guia de speech-to-text em árabe](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/) tem o código da requisição. Sempre envie `language=ar`: sem isso, o árabe pode voltar transliterado para letras latinas, o que arruína as duas notas.

## Erros comuns

-   **Contar espaços de forma inconsistente.** Decida se espaços contam como caracteres e aplique a mesma regra a todos os modelos que comparar.
-   **Comparar o CER com o WER de outra pessoa.** São escalas diferentes. Compare o mesmo com o mesmo.

## Perguntas frequentes

### O CER pode passar de 100%?

Sim. A metric card do Hugging Face observa que o CER nem sempre fica entre 0 e 1, principalmente quando uma transcrição tem muitas inserções, porque o denominador conta só os caracteres da referência.

### Para árabe, devo informar CER ou WER?

Informe os dois. O WER é o que rankings e fornecedores citam, então você precisa dele para comparar. O CER mostra se os erros são palavras inteiras erradas ou uma letra ou clítico aqui e ali, o que o WER esconde.

### A BroadNet publica o CER dos modelos de transcrição?

Não. A BroadNet publica só o WER. Para ter o CER, avalie o seu próprio conjunto de teste com uma ferramenta como o jiwer.

## Veja também

-   [Word error rate (WER)](https://broadrouter.com/pt/glossary/word-error-rate/) (termo)
-   [Fala para texto (speech-to-text)](https://broadrouter.com/pt/glossary/speech-to-text/) (termo)
-   [Normalização de texto árabe (Arabic text normalization)](https://broadrouter.com/pt/glossary/arabic-text-normalization/) (termo)
-   [Diacríticos árabes (tashkeel)](https://broadrouter.com/pt/glossary/arabic-diacritics/) (termo)
-   [Árabe padrão moderno (MSA)](https://broadrouter.com/pt/glossary/msa/) (termo)
-   [Reconhecimento óptico de caracteres (OCR)](https://broadrouter.com/pt/glossary/ocr/) (termo)
-   [Benchmark de LLM](https://broadrouter.com/pt/glossary/llm-benchmark/) (termo)
-   [API de transcrição de áudio em árabe, passo a passo](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/) (guia)
-   [Word error rate (WER) no ASR em árabe: o que é e como calcular](https://broadrouter.com/pt/blog/arabic-asr-wer-explained/) (artigo)
-   [API de fala para texto em árabe: como escolher em 2026](https://broadrouter.com/pt/blog/arabic-speech-to-text-api-buyers-guide/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-character-error-rate&utm_content=page-cta) ·

**Fontes**

-   [Hugging Face evaluate, metric card do CER: fórmula, valores acima de 1, uso multilíngue (verificado em 2026-11-15)](https://raw.githubusercontent.com/huggingface/evaluate/main/metrics/cer/README.md)
-   [Documentação do jiwer, uso: jiwer.cer e process\_characters (verificado em 2026-11-15)](https://jitsi.github.io/jiwer/usage/)
-   [Catálogo de modelos da BroadNet, speech-to-text: medições de WER publicadas (verificado em 2026-11-15) (em inglês)](https://www.broadnet.ai/inference/models)
