Melhor Transcrição para Idiomas Asiáticos em 2026

Nenhum mecanismo de transcrição isolado lidera em todas as línguas asiáticas. A escolha certa depende de qual idioma você precisa, do nível de precisão exigido e se você está construindo um produto ou processando arquivos manualmente. Este post mapeia cada grande língua asiática para o mecanismo que melhor se sai nela, com números de CER/WER de benchmarks verificáveis.

Por Que a Precisão em Línguas Asiáticas é um Problema Diferente

Benchmarks de precisão para línguas asiáticas usam métricas diferentes das do inglês. Para chinês, japonês e coreano, CER (taxa de erro de caractere) é a medida correta, porque esses sistemas de escrita não usam espaços entre palavras. WER (taxa de erro de palavra) exigiria definir "palavras" de um jeito que não se mapeia de forma limpa para como esses sistemas funcionam.

Guarde essa distinção em mente ao comparar alegações de fornecedores. Um fornecedor que reporta "95% de precisão" para japonês sem especificar se é WER ou CER provavelmente está usando uma definição mais branda. O post explicação sobre precisão de transcrição cobre isso em mais detalhes.

Mandarim e Cantonês: SenseVoice Lidera

Para mandarim, o SenseVoice (o modelo aberto do time FunAudioLLM da Alibaba) alcança 10,78% de CER, contra 12,55% de CER do Whisper Large-v3 em benchmarks padrão. No cantonês, a diferença aumenta: o SenseVoice atinge 7,09% de CER, enquanto o Whisper Large-v3 chega a 10,41%. Em velocidade, o SenseVoice roda de 52 a 118 vezes mais rápido que o tempo real em Apple Silicon, comparado a 13 a 14 vezes para o Whisper em hardware equivalente.

A distinção importante: o SenseVoice é um modelo de código aberto, não um produto SaaS. A API comercial de fala da Alibaba está disponível via Alibaba Cloud Model Studio (Fun-ASR 1.5, lançado em abril de 2026) e é a escolha certa para fluxos de produção em mandarim dentro do ecossistema chinês. A documentação está disponível em inglês em alibabacloud.com.

iFlytek é uma empresa separada que atende domínios especializados em mandarim (médico, jurídico, financeiro) há mais de uma década, com modelos de vocabulário ajustados por área. Os preços são opacos e exigem contato direto; para desenvolvedores fora da China, a fricção com a documentação é real.

Para fluxos de trabalho em mandarim fora da China, o OpenAI Whisper ou o Google Cloud STT Chirp são alternativas mais acessíveis, com níveis de precisão parecidos.

Japonês e Coreano: Whisper se Sustenta, CLOVA Ganha em Profundidade no Coreano

O Whisper Large-v3 atinge 8-12% de CER tanto em japonês quanto em coreano, e supera o SenseVoice nessas duas línguas (o ponto forte do SenseVoice é especificamente mandarim e cantonês). Para japonês, o ponto fraco do Whisper é a fala conversacional espontânea com muita variação dialetal; fala formal transcreve sem problemas.

Para coreano, o Naver CLOVA Speech é a opção dedicada, respaldada pelos dados de pesquisa da própria NAVER. Ele suporta coreano, inglês, japonês e chinês simplificado, com streaming em tempo real para coreano, inglês e japonês adicionado em 2024. O tratamento de honoríficos específicos do coreano e de registros formal/informal é melhor no CLOVA do que no Whisper. O acesso é pela NAVER Cloud Platform, com documentação em inglês disponível.

Minha opinião: para transcrição em japonês, o Whisper Large-v3 via API da OpenAI ou um serviço baseado em Whisper é o ponto de partida mais fácil. Para coreano, o Whisper serve bem para uso geral; o CLOVA vale a pena avaliar se você precisa de vocabulário técnico especializado ou integração nativa com produtos coreanos.

Línguas Indianas: Azure Speech Cobre a Abrangência

O Microsoft Azure Speech investiu especificamente em dados de treinamento para idiomas indianos e oferece suporte a hindi (hi-IN), tâmil (ta-IN), telugu (te-IN), bengali (bn-IN/bn-BD), marata (mr-IN), gujarati (gu-IN), punjabi, assamês e oriá, cobrindo mais de 90% do mercado de idiomas indianos em número de falantes. O Whisper lida com hindi a 9-14% de WER e dá conta dos outros principais idiomas indianos, mas o treinamento especializado do Azure para fonologia e variação de sotaque indianos dá a ele uma vantagem para uso em produção.

O STT em tempo real do Azure Speech custa US$ 1,00/hora no padrão, US$ 0,36/hora para transcrição rápida e US$ 0,18/hora para processamento em lote (conforme documentação do fornecedor em meados de 2026). O nível gratuito inclui 5 horas de áudio por mês.

O Google Cloud STT Chirp também cobre hindi, tâmil, telugu e bengali (apenas Chirp 2 para bengali), com preços de US$ 0,016/min em tempo real ou US$ 0,004/min para lote. Veja o detalhamento de preços do Google Cloud Speech-to-Text para a comparação completa.

Idiomas do Sudeste Asiático: Google Cloud Chirp e Whisper

Para vietnamita, tailandês, indonésio, tagalo/filipino e malaio, o cenário é mais escasso. O Google Cloud STT Chirp (V2) cobre todos eles: tailandês (th-TH), vietnamita (vi-VN) e indonésio (id-ID) têm suporte completo; tagalo e malaio também estão disponíveis via V2.

A precisão do Whisper cai de forma perceptível para idiomas tonais com menos dados de treinamento. O tailandês marca 18-26% de WER e o vietnamita 15-22% de WER, refletindo tanto a complexidade tonal quanto o volume menor de dados de treinamento em comparação com mandarim ou japonês. São números utilizáveis para muitos fluxos de trabalho, mas a diferença em relação ao inglês é real.

O modelo Universal da AssemblyAI (confirmado na documentação: japonês, coreano, mandarim, hindi, tailandês, vietnamita e indonésio são todos suportados) custa US$ 0,15/hora para o Universal-2 e US$ 0,21/hora para o Universal-3.5 Pro. A vantagem é que você obtém diarização de falantes, análise de sentimento e tópicos na mesma chamada de API; a desvantagem é que a precisão por idioma para as línguas do Sudeste Asiático não foi especificamente avaliada publicamente.

Referência Rápida por Idioma

Os valores de CER vêm dos benchmarks da VexaScribe (verificados em junho de 2026). Os valores de WER vêm da mesma fonte. "Não publicado" significa que nenhum benchmark independente foi encontrado até o momento desta escrita.

O Que Realmente Funciona para Code-Switching

O code-switching é a norma em muitas conversas asiáticas: Hinglish (hindi-inglês), Singlish (inglês de Singapura com malaio e mandarim), Taglish (tagalo-inglês) e Manglish (inglês da Malásia com malaio) todos envolvem trocas no meio da frase.

As ferramentas que lidam com code-switching sem configuração manual:

• OpenAI Whisper: defina o idioma dominante; o modelo lida com as trocas automaticamente, sem precisar declarar os dois códigos de idioma. Essa é a abordagem mais confiável para Hinglish e Taglish.
• Google Cloud STT v2: tem opções explícitas de configuração de code-switching na API, úteis quando você sabe os dois idiomas de antemão.
• AssemblyAI Universal: a detecção automática de idioma cobre conteúdo com code-switching até certo ponto.

As ferramentas que têm dificuldade: mecanismos que exigem declaração rígida de um único idioma e a impõem por filtragem de confiança tendem a alucinar ou descartar trechos alternados.

Fluxo de Trabalho Prático para Transcrição em Idiomas Asiáticos

1. Identifique seu idioma e confira a tabela acima para definir expectativas realistas de precisão antes de escolher uma ferramenta ou fluxo.
2. Para mandarim: Alibaba Cloud Model Studio ou OpenAI Whisper; para japonês/coreano: OpenAI Whisper; para idiomas indianos: Azure Speech; para Sudeste Asiático: Google Cloud STT Chirp.
3. Após a transcrição, verifique primeiro nomes próprios, marcas e nomes de lugares. Essa é a categoria de maior erro em todos os mecanismos de idiomas asiáticos, independentemente do CER geral.
4. Para conteúdo com code-switching, deixe o modelo detectar automaticamente em vez de dividir arquivos. Dividir costuma criar erros de borda, onde um trecho termina no meio de uma palavra.
5. Para conteúdo publicado, peça a um falante nativo que faça uma revisão final. A IA leva você quase até o fim; a revisão humana fecha a lacuna até a qualidade de publicação.

Veja também o guia diarização de falantes explicada se precisar separar múltiplos falantes nesses idiomas. A diarização é uma capacidade independente do suporte a idiomas e varia conforme a ferramenta.

APIs Versus Ferramentas para Usuário Final em Idiomas Asiáticos

Para desenvolvedores que constroem produtos, a escolha fica entre OpenAI Whisper ($0,003-0,006/min), Google Cloud STT Chirp ($0,004-0,016/min dependendo de batch ou tempo real), AssemblyAI Universal ($0,15/hr) e Azure Speech ($0,18-1,00/hr dependendo do modo). Veja a comparação de preços de APIs de speech-to-text para o detalhamento completo voltado a desenvolvedores.

Para usuários finais que querem transcrever arquivos sem construir nada, as principais opções são: ferramentas com interface web que suportam esses idiomas de fábrica. Se você quer processar um arquivo sem criar conta, o ConvertAudioToText suporta os principais idiomas asiáticos com upload instantâneo. O plano gratuito oferece 10 minutos de transcrição, concedidos uma vez no cadastro e não mensalmente; o plano Pro custa $9,99/mês para transcrição ilimitada.

Ferramentas para Evitar com Idiomas Asiáticos

Várias ferramentas até competentes têm suporte fraco para idiomas asiáticos, o que as torna a escolha errada para esse caso de uso.

• Otter, Rev, Trint: ferramentas focadas em inglês. O suporte a idiomas asiáticos existe, mas não é prioridade segundo a documentação dos fornecedores; a precisão geralmente fica abaixo das alternativas baseadas em Whisper.
• Deepgram Nova-3: forte para inglês e idiomas europeus; conforme a documentação pública da Deepgram, a cobertura de idiomas asiáticos é limitada comparada às opções acima. Confira Deepgram vs AWS Transcribe para a comparação de APIs.
• AWS Transcribe: suporta um conjunto limitado de idiomas asiáticos; benchmarks da comunidade colocam a precisão abaixo das ferramentas baseadas em Whisper para a maioria dos idiomas asiáticos, embora a AWS não tenha publicado comparações de CER.

Para contexto paralelo sobre outra família de idiomas, o post sobre melhor transcrição para idiomas africanos aborda os mesmos trade-offs entre motor e idioma para um conjunto diferente de idiomas pouco atendidos.

FAQ

Qual motor de transcrição funciona melhor para mandarim?

SenseVoice (modelo aberto da Alibaba FunAudioLLM, disponível via Alibaba Cloud Model Studio) alcança 10,78% de CER em mandarim, contra 12,55% de CER do Whisper Large-v3, e processa áudio de 52 a 118 vezes mais rápido que o tempo real. Para desenvolvedores fora da China, o OpenAI Whisper ou o Google Cloud STT Chirp são alternativas sólidas, com acesso simples via API.

O Whisper lida bem com idiomas asiáticos?

Sim, para os principais. O Whisper Large-v3 alcança 8 a 12% de CER em japonês e coreano, 9 a 14% de WER em hindi e 12,55% de CER em mandarim. CER (taxa de erro de caracteres) é a métrica certa para idiomas CJK, porque as fronteiras de palavras não são marcadas com espaços, o que torna o WER enganoso. O desempenho cai para tailandês (18 a 26% de WER) e vietnamita (15 a 22% de WER).

Qual é a opção de API mais barata para transcrição em idiomas asiáticos?

O gpt-4o-mini-transcribe da OpenAI custa US$ 0,003/min (cerca de US$ 0,18/hora) e suporta os principais idiomas asiáticos. O Whisper-1 e o gpt-4o-transcribe saem por US$ 0,006/min. O Google Cloud STT Chirp custa US$ 0,016/min em tempo real ou US$ 0,004/min em lote (entrega em até 24 horas). A AssemblyAI começa em US$ 0,15/hora para o Universal-2, mas os custos efetivos de produção com diarização e outros complementos costumam ser mais altos.

Por que minha transcrição falha em áudio com alternância de código, como Hinglish ou Taglish?

A maioria dos mecanismos espera um único idioma declarado e falha quando os falantes alternam no meio da frase. O Whisper Large-v3 lida com alternância de código automaticamente, sem precisar declarar os dois idiomas; defina o idioma dominante e ele cuida do resto. O Google Cloud STT v2 tem opções explícitas de configuração para alternância de código. Se sua ferramenta exigir uma declaração de idioma único, definir o idioma dominante e deixar o modelo lidar com o resto funciona melhor do que dividir os arquivos de áudio.

O Naver CLOVA Speech e o iFlytek são acessíveis fora da Ásia?

Ambos têm APIs internacionais, mas o acesso prático difere. O Naver CLOVA Speech está disponível via NAVER Cloud Platform com documentação em inglês e suporta coreano, inglês, japonês e chinês simplificado. A plataforma global da iFlytek (global.xfyun.cn) lista APIs para mais de 15 idiomas, incluindo inglês, mas os preços são opacos e normalmente exigem uma conta de desenvolvedor para começar. Para uso em produção fora da Coreia ou da China, ferramentas baseadas em Whisper ou o Google Cloud STT são mais diretos.

Fontes

• Preços da API da OpenAI (tarifas do Whisper, gpt-4o-transcribe e gpt-4o-mini-transcribe)
• Idiomas suportados pelo Google Cloud Speech-to-Text V2 (lista de idiomas do Chirp confirmada)
• Preços do Google Cloud Speech-to-Text (US$ 0,016/min em tempo real, US$ 0,004/min em lote)
• Preços da AssemblyAI (Universal-2 a US$ 0,15/hora, Universal-3.5 Pro a US$ 0,21/hora)
• Idiomas suportados pela AssemblyAI (japonês, coreano, mandarim, hindi, tailandês, vietnamita e indonésio confirmados)
• SenseVoice no GitHub (FunAudioLLM) (descrição do modelo, dados de treinamento)
• Benchmark SenseVoice vs Whisper para CJK (valores de CER, comparações de velocidade verificadas em junho de 2026)
• Precisão do Whisper por idioma (valores de CER/WER por nível de idioma)
• ASR do Alibaba Cloud Model Studio (API Fun-ASR 1.5)
• Visão geral do Naver CLOVA Speech (suporte a coreano, inglês, japonês e chinês simplificado confirmado)
• Preços do Azure Speech (US$ 1/hora em tempo real, US$ 0,18/hora em lote confirmados)
• Plataforma global da iFlytek (lista de idiomas, modelo de preços)