BroadRouter

Fala para texto (speech-to-text)

Atualizado em

Fala para texto, ou reconhecimento automático de fala (ASR), é a tecnologia que converte áudio falado em texto. Uma API de fala para texto recebe um arquivo ou stream de áudio e retorna uma transcrição, normalmente cobrada por minuto de áudio. A precisão é medida pela taxa de erro de palavras e varia com sotaque, dialeto e qualidade da gravação.

Também chamado de: fala para texto, speech-to-text, transcrição de áudio, API de transcrição, reconhecimento de fala, voz para texto, STT, ASR, automatic speech recognition, transcription API, audio transcription, voice to text

Áudios, ligações e reuniões guardam informações que um software não consegue pesquisar até virarem texto. A fala para texto fecha essa lacuna.

Como funciona

A Hugging Face define reconhecimento automático de fala como “the task of transcribing a given audio to text” (tradução: a tarefa de transcrever um determinado áudio para texto). Um modelo de ASR moderno converte o áudio em características (features) e depois gera a sequência de palavras mais provável.

Por uma API compatível com a OpenAI, você envia o arquivo como formulário multipart para /v1/audio/transcriptions:

curl https://inference.broadnet.ai/v1/audio/transcriptions \
  -H "Authorization: Bearer $BROADNET_API_KEY" \
  -F model=broadnet/cohere-transcribe-arabic \
  -F language=ar \
  -F file=@voice-note.wav

A resposta é um JSON com a transcrição em text. Os provedores definem limites de tamanho e de formato de arquivo; o endpoint da própria OpenAI aceita arquivos de até 25 MB (segundo o guia de fala para texto dela, consultado em 2026-11-15).

Por que importa

  • A precisão define o valor. Uma transcrição com nomes ou números errados pode ser pior do que nenhuma. A precisão é medida pela taxa de erro de palavras e cai com sotaques, dialetos, falas sobrepostas e áudio de telefone.
  • Preço por hora de áudio. STT é cobrado por minuto de áudio, então o volume é fácil de prever: horas de áudio vezes a tarifa por hora.
  • Privacidade. A voz carrega nomes, números de telefone e dados de saúde ou bancários. Pergunte se o áudio e as transcrições são guardados; veja retenção zero de dados.
  • Pipelines. Muitas vezes a transcrição alimenta um LLM em seguida, para resumos, triagem ou extração de dados.

Na BroadNet Inference

Modelo Idiomas Preço por minuto Por hora
BroadNet Transcribe Arabic Árabe, incluindo dialetos $0.0042 $0.25
BroadNet Transcribe 14 idiomas $0.002 $0.12

Os dois aceitam WAV ou MP3 de até 26.214.400 bytes (25 MiB) por arquivo; um arquivo maior retorna 413. Envie language=ar para árabe, senão o texto pode voltar transliterado em letras latinas. A BroadNet informa que o modelo de árabe está na posição #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) do Open Universal Arabic ASR Leaderboard. Áudio e transcrições não são retidos.

Outros provedores podem custar menos. Em 2026-11-14, a página de preços da Soniox listava cerca de USD 0,10 por hora para transcrição de arquivos (assíncrona) e USD 0,12 por hora em tempo real, e a lista de idiomas dela inclui o árabe. Isso fica abaixo dos $0.25 por hora do BroadNet Transcribe Arabic, então teste os dois no seu próprio áudio. O nosso índice aberto de preços de APIs de fala para texto lista mais de 20 produtos, com fonte e data para cada preço.

Os dois modelos funcionam com o crédito inicial gratuito de $5, que cobre cerca de 1,190 minutos de áudio em árabe. Comece pelo guia de fala para texto em árabe, converta os arquivos .ogg do WhatsApp com o guia de áudios do WhatsApp e compare provedores com o guia de compra.

Perguntas frequentes

Como se mede a precisão de fala para texto?

Pela taxa de erro de palavras (WER), a parcela de palavras que uma transcrição erra em relação a uma referência correta. Quanto menor, melhor. Meça nas suas próprias gravações, porque a precisão varia muito com sotaque, dialeto e qualidade do áudio.

Como transcrever arquivos maiores que o limite de tamanho?

Divida o áudio em partes menores, de preferência nas pausas, e transcreva cada uma. Comprimir para MP3 também reduz o tamanho.

Por que o árabe às vezes volta em letras latinas?

Sem uma indicação de idioma, alguns modelos transliteram. Na BroadNet Inference, envie language=ar para árabe.

Ler em MarkdownPerguntar ao ChatGPTPerguntar ao ClaudePerguntar ao Perplexity