---
title: "O que é uma API de fala para texto? ASR e transcrição"
description: "Fala para texto transforma áudio falado em texto escrito. Como as APIs de transcrição funcionam, o preço por minuto, como medir a precisão e os limites a conferir."
url: https://broadrouter.com/pt/glossary/speech-to-text/
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/speech-to-text/) (atualizado em 2026-11-15).

# Fala para texto (speech-to-text)

Atualizado em 2026-11-15

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`:

```bash
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](https://broadrouter.com/pt/glossary/word-error-rate/) 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](https://broadrouter.com/pt/glossary/zero-data-retention/).
-   **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](https://broadrouter.com/pt/models/cohere-transcribe-arabic/) | Árabe, incluindo dialetos | $0.0042 | $0.25 |
| [BroadNet Transcribe](https://broadrouter.com/pt/models/cohere-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](https://soniox.com/pricing) 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](https://broadrouter.com/data/speech-to-text-api-prices/) 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](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/), converta os arquivos `.ogg` do WhatsApp com o [guia de áudios do WhatsApp](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/) e compare provedores com o [guia de compra](https://broadrouter.com/pt/blog/arabic-speech-to-text-api-buyers-guide/).

## 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.

## Veja também

-   [Word error rate (WER)](https://broadrouter.com/pt/glossary/word-error-rate/) (termo)
-   [Retenção zero de dados (zero data retention)](https://broadrouter.com/pt/glossary/zero-data-retention/) (termo)
-   [API compatível com a OpenAI](https://broadrouter.com/pt/glossary/openai-compatible-api/) (termo)
-   [Pagamento por uso (pay-as-you-go)](https://broadrouter.com/pt/glossary/pay-as-you-go/) (termo)
-   [Diarização de locutores (speaker diarization)](https://broadrouter.com/pt/glossary/diarization/) (termo)
-   [Voice activity detection (VAD)](https://broadrouter.com/pt/glossary/vad/) (termo)
-   [Taxa de amostragem (sample rate)](https://broadrouter.com/pt/glossary/sample-rate/) (termo)
-   [Timestamps (speech-to-text)](https://broadrouter.com/pt/glossary/timestamps-asr/) (termo)
-   [Code-switching (alternância de código)](https://broadrouter.com/pt/glossary/code-switching/) (termo)
-   [Text-to-speech (TTS, síntese de voz)](https://broadrouter.com/pt/glossary/text-to-speech/) (termo)
-   [WAV (arquivo de áudio WAV)](https://broadrouter.com/pt/glossary/wav/) (termo)
-   [API de transcrição de áudio em árabe, passo a passo](https://broadrouter.com/pt/guides/arabic-speech-to-text-api/) (guia)
-   [Transcrever áudios do WhatsApp para texto com uma API](https://broadrouter.com/pt/guides/transcribe-whatsapp-voice-notes/) (guia)
-   [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-speech-to-text&utm_content=page-cta) ·

**Fontes**

-   [Preços de speech-to-text da Soniox (conferido em 2026-11-14)](https://soniox.com/pricing)
-   [Hugging Face Tasks, reconhecimento automático de fala](https://huggingface.co/tasks/automatic-speech-recognition)
-   [OpenAI, guia de fala para texto (endpoint de transcriptions, limite de arquivo de 25 MB; consultado em 2026-11-15)](https://developers.openai.com/api/docs/guides/speech-to-text)
-   [Referência da API da BroadNet Inference, transcrição (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-speech-to-text&utm_content=sources)
-   [Preços da BroadNet Inference em formato legível por máquina (pricing.json) (em inglês)](https://inference.broadnet.ai/pricing.json?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-speech-to-text&utm_content=sources)
