Transcrição de inglês com sotaque: o retrato honesto

O retrato honesto

A transcrição por IA lida com inglês com sotaque muito melhor em 2026 do que há cinco anos. A lacuna que antes era catastrófica hoje é modesta para muitos sotaques. Mas "modesta" não significa "inexistente", e para alguns grupos de sotaques a disparidade ainda é significativa. Este post documenta onde estão as lacunas, por que elas existem e o que você pode fazer na prática a respeito.

O mito: a IA moderna lida bem com todos os sotaques do inglês

A versão de marketing dessa história diz: modelos maiores, mais dados, mais precisão para todos. Isso é parcialmente verdade. Mas pesquisas revisadas por pares e benchmarks independentes contam uma história mais específica.

A lacuna mais documentada é entre o inglês vernacular afro-americano (AAVE) e o inglês americano falado por pessoas brancas. Um estudo de Stanford publicado na PNAS em 2020 (Koenecke et al.) testou cinco grandes sistemas comerciais de ASR e encontrou uma taxa média de erro de palavras (WER) de 0,35 para falantes negros contra 0,19 para falantes brancos. Ou seja, aproximadamente o dobro da taxa de erro, na mesma tarefa. Um estudo de 2024 sobre modelos auto-supervisionados constatou que wav2vec 2.0, HuBERT, WavLM e XLS-R perpetuam esse viés, com desempenho pior associado à densidade de características fonológicas e morfossintáticas do AAVE no áudio. Esses são modelos modernos, da era dos transformers, não sistemas legados.

Esse achado sobre o AAVE importa porque derruba a narrativa de que o problema do sotaque se resume a falantes "não nativos". Falantes nativos de inglês americano com fonologia marcadamente de AAVE enfrentam viés mensurável em sistemas treinados para otimizar o inglês americano padrão.

A realidade: o desempenho varia significativamente conforme o grupo

Segue uma divisão honesta do universo de sotaques do inglês no mundo, baseada em evidências atuais, não em marketing de fornecedores.

Mais próximos da distribuição de treinamento (menor WER):

• Inglês americano, geral e variedades regionais do Meio-Oeste e do Noroeste Pacífico
• Inglês canadense
• Inglês britânico padrão do sul (RP)

Lacuna relevante, mas menor:

• Inglês australiano e neozelandês: um estudo de 2024 (Graham e Roll) constatou que os sotaques britânico e australiano registraram taxas de WER relativo cerca de 30% maiores do que o inglês americano ou canadense no Whisper. Um benchmark verificou que a API do Whisper produziu 18,21% de WER em amostras australianas, contra taxas muito menores em áudio americano.
• Inglês escocês e irlandês em registros cultos
• Inglês filipino

Precisão variável, muitas vezes ligada aos dados de treinamento:

• Inglês indiano: altamente variável. Falantes urbanos profissionais do acroleto do inglês indiano hoje são bem transcritos. Variedades regionais (com influência tâmil, com influência bengali, dialetos rurais) ainda geram WER elevado. Um estudo de fine-tuning reduziu o WER do inglês com sotaque indiano de 8,6% para 7,1% com adaptação específica de sotaque, sugerindo que a lacuna é real, mas redutível.
• Inglês nigeriano e da África Ocidental em geral: sub-representados nos corpora de treinamento. Pesquisas que rotulam esses falantes como "não nativos" genéricos, em vez de comunidades fonológicas distintas, agravaram o problema ao torná-lo invisível para quem desenvolve os modelos.
• Singlish e inglês coloquial de Cingapura
• Inglês forte como L2 com L1 tonais (vietnamita, tailandês, influência do mandarim): estudos com o Whisper descobriram que esses grupos sofreram a maior queda de precisão entre todos os sotaques testados.
• Sotaques regionais americanos muito marcados (interior profundo dos Apalaches, zonas rurais da Louisiana com influência crioula)

Minha leitura: a conclusão consistente em vários estudos de 2024–2025 é que o inglês americano e o canadense seguem sendo a distribuição de referência, e o desempenho cai à medida que aumenta a distância acústica dessa referência. Um benchmark de janeiro de 2025 constatou que o Google Cloud STT foi o que mais sofreu com fala com sotaque, enquanto o Whisper da OpenAI e o AssemblyAI se saíram melhor, e o modelo multimodal do Gemini teve o melhor desempenho de todos os motores em áudio fortemente sotaqueado. Vale conhecer essa ordem ao escolher uma ferramenta.

Por que a lacuna não foi totalmente fechada

Três mecanismos explicam a maior parte da disparidade restante.

Os dados de treinamento ainda favorecem o inglês americano padrão. O Whisper large-v3 foi treinado com cerca de 5 milhões de horas de áudio (1 milhão fracamente rotulado e 4 milhões pseudo-rotulados pelo modelo anterior), uma expansão enorme em relação às 680 mil horas do Whisper original. Mas o áudio extraído da web reflete desproporcionalmente quem produz e publica conteúdo online. Comunidades que publicam menos áudio na web aberta ficam sub-representadas nesses dados, independentemente do total de horas.

Diferenças de inventário fonêmico e de prosódia. O inglês indiano tende a um ritmo silábico, e não de acentuação (stress-timed), o que altera a estrutura temporal que o modelo espera. Falantes com L1 tonal transferem padrões de tom da primeira língua para o inglês, criando assinaturas acústicas diferentes das expectativas do modelo. Um sotaque que funde distinções vocálicas que o modelo foi treinado para separar, como "pen" e "pin" em alguns dialetos, gera erros consistentes e previsíveis. Não são falhas aleatórias; são desencontros estruturais entre sistemas fonológicos.

O problema do rótulo "não nativo". Pesquisas acadêmicas apontam que a curadoria de dados costuma agrupar comunidades de sotaque distintas sob uma única categoria, "inglês não nativo". Um modelo treinado com esse rótulo não consegue distinguir o inglês nigeriano do inglês com sotaque vietnamita ou do inglês com sotaque húngaro. A realidade acústica de cada um é diferente. Tratá-los como uma entidade só durante o treinamento torna mais difícil modelar qualquer um deles com precisão.

O que os fornecedores deveriam dizer

O número de "98% de precisão" que você vê nas landing pages normalmente vem de benchmarks com inglês americano limpo. A maioria dos fornecedores não publica detalhamentos de precisão por sotaque, o que significa que comparar ferramentas em áudio com sotaque exige testes com suas próprias amostras.

A exceção é a Speechmatics, que disponibiliza um modelo "Global English" projetado explicitamente para lidar com qualquer sotaque do inglês sem que o usuário precise selecionar um pacote de sotaque. Se ele supera concorrentes agnósticos de motor no seu sotaque específico é algo que você deve verificar com uma amostra de 5 minutos do seu próprio áudio, não pela página de marketing deles.

Um sinal de que o fornecedor leva isso a sério: ele expõe recursos de direcionamento por termos-chave (keyterm biasing) e dicas (hints), em vez de esperar que o modelo generalize apenas a partir do contexto acústico.

O que realmente ajuda

A qualidade da gravação tem mais impacto do que você imagina

A forma mais confiável de melhorar a precisão da transcrição em áudio com sotaque é ter melhores condições de gravação. Um resumo de benchmark observou que a proximidade do microfone importa mais do que o preço dele: um microfone direcional barato, a 7 a 10 centímetros dos lábios do falante, supera um microfone premium de conferência apoiado numa mesa do outro lado da sala.

Áudio limpo dá ao modelo mais sinal útil. Quando o modelo já opera na borda da sua distribuição de treinamento para determinado sotaque, reduzir o ruído lhe oferece a melhor evidência acústica possível para trabalhar. Isso ajuda desproporcionalmente os falantes com sotaque, em comparação com falantes que já estão próximos da distribuição de referência do modelo.

Veja como funciona a precisão da transcrição para uma análise completa de como a qualidade do sinal interage com o WER.

Direcionamento por termos-chave e vocabulário

Tanto o Whisper quanto o Deepgram Nova-3 aceitam dicas que direcionam o modelo para o vocabulário esperado. O Deepgram Nova-3 aceita até 1.000 termos personalizados por requisição, com pesos configuráveis. O Universal-3 Pro da AssemblyAI aceita prompts de termos-chave em linguagem natural com até 1.500 palavras. O Whisper suporta prompting com glossário.

Para falantes com sotaque que usam nomes próprios específicos, termos regionais ou vocabulário de domínio, uma lista de dicas pode recuperar precisão justamente nas palavras que mais importam para a transcrição. Se você está transcrevendo uma conferência de fintech em Lagos, fornecer termos como "Naira", "fintech", "NITDA" e nomes relevantes de empresas diretamente como dicas direciona o modelo para o vocabulário certo antes mesmo de começar a decodificar.

Rode dois motores em áudios críticos

Para depoimentos jurídicos, entrevistas jornalísticas ou gravações de pesquisa em que cada palavra importa, rodar o mesmo áudio no Whisper Large-v3 e no Deepgram Nova-3 e comparar as saídas captura erros que um motor comete e o outro acerta. Os motores falham em características acústicas diferentes, então os erros raramente coincidem exatamente. Nosso post sobre o Deepgram Nova-3 cobre o que o Nova-3 faz bem.

É mais trabalho, mas para áudio com sotaque no limite do que a IA processa com confiabilidade, muitas vezes vale o custo de computação.

Revisão humana para os casos mais difíceis

Para áudios no limite do que a IA consegue lidar, a transcrição humana continua sendo a resposta certa. Não é uma falha da IA; é um mapeamento preciso das capacidades atuais para os casos de uso atuais. Veja a comparação honesta em IA vs. transcrição humana.

O limite prático: se a transcrição por IA da sua amostra de áudio exige mais de 10 a 15 minutos de edição por hora de áudio, a transcrição com assistência humana provavelmente será mais rápida no total.

Fine-tuning para trabalho de alto volume focado em um sotaque

Para organizações que transcrevem um mesmo sotaque em grande volume, fazer fine-tuning de um modelo base do Whisper com áudio rotulado da sua população de falantes pode fechar parte da lacuna restante. Pesquisas sobre inglês com sotaque indiano mostraram redução de 8,6% para 7,1% de WER com adaptação direcionada. Um estudo do governo do Reino Unido sobre dialetos regionais britânicos (Adapting Whisper for Regional Dialects, 2025) encontrou ganhos semelhantes para o inglês de Glasgow e o galês usando conjuntos de dados rotulados até modestos.

Fine-tuning não é solução rápida: você precisa de algumas centenas de horas de áudio rotulado para ganhos significativos, e a melhoria é específica do sotaque, não geral. Mas para um call center ou prestador de saúde que atende uma única população regional, é a ferramenta certa.

O caminho da língua nativa

Às vezes, a melhor opção é nem transcrever em inglês. Um falante mais à vontade na primeira língua costuma produzir áudio mais claro nessa língua do que em inglês com sotaque, e a saída da transcrição na língua nativa pode ser mais precisa do que seria uma transcrição em inglês.

O Whisper Large-v3 suporta 99 idiomas nativamente. Em gravações multilíngues em que os falantes alternam entre inglês e outro idioma — padrão comum nos negócios internacionais —, os motores modernos lidam com alternância de código (code-switching), mas podem gerar saída confusa nas fronteiras entre idiomas. Quando o caso de uso permite, gravar em um único idioma evita completamente esse problema. Veja os guias de transcrição de hindi e alternância de código e transcrição de espanhol se seus falantes se sentirem mais confortáveis nesses idiomas.

A questão mais ampla: sotaques não ingleses em um mundo de IA centrado no inglês

O viés de sotaque em ASR é uma parte de um problema mais amplo, abordado em por que a IA sofre com línguas de baixos recursos: os dados de treinamento refletem quem historicamente teve acesso a equipamentos de gravação, banda larga e plataformas que indexam áudio. Os falantes que mais precisam de transcrição de qualidade e acessível costumam ser os menos representados nos dados que originaram o modelo.

Esse ciclo de feedback está começando a se romper, lentamente. Conjuntos de dados de fala em línguas africanas como o AfriSpeech-200, corpora contribuídos pela comunidade e fine-tuning corporativo com dados de call center estão ampliando a cobertura. Mas, para usuários da África Ocidental, do Sul da Ásia ou do Sudeste Asiático que precisam transcrever inglês hoje, esse progresso é desigual e contínuo. Conhecer o estado atual da precisão para o seu sotaque específico é mais útil do que presumir que o benchmark global se aplica a você.

Teste primeiro com o seu próprio áudio

Se você só precisa de uma transcrição limpa, sem bot de reunião ou assinatura por usuário, o plano gratuito do ConvertAudioToText permite testar até 10 minutos de áudio real antes de se comprometer com qualquer coisa. Envie uma amostra da sua população real de falantes e inspecione a saída. O seu próprio áudio é um preditor melhor da precisão no mundo real do que qualquer número de benchmark, porque o benchmark reflete uma distribuição que pode ou não incluir o seu sotaque.

Perguntas frequentes

A transcrição por IA moderna lida igualmente bem com todos os sotaques do inglês?

Não. Diversos estudos revisados por pares confirmam lacunas persistentes. O inglês americano e o canadense produzem consistentemente o menor WER em todos os principais motores. Falantes de AAVE enfrentam aproximadamente o dobro do WER de falantes brancos de inglês americano em sistemas comerciais legados, e o viés persiste nos modelos auto-supervisionados modernos. O inglês australiano e o britânico registram taxas de erro relativo cerca de 30% maiores do que o inglês americano no Whisper em alguns benchmarks. O inglês indiano e o da África Ocidental variam bastante dependendo da variedade regional e das condições de gravação.

Qual motor de transcrição lida melhor com inglês com sotaque?

Depende do seu sotaque específico e do caso de uso. Um benchmark de janeiro de 2025 constatou que o modelo multimodal do Gemini teve o melhor desempenho geral em áudio fortemente sotaqueado, com AssemblyAI e Whisper à frente do Google Cloud STT e do Azure em robustez a sotaques. A Speechmatics comercializa explicitamente um modelo Global English para qualquer sotaque. A resposta mais confiável é testar com 5 minutos do seu próprio áudio em dois ou três motores antes de decidir.

A qualidade da gravação importa mais do que o próprio sotaque?

Para a maioria dos sotaques, sim. Melhores condições de gravação (microfone direcional, sala silenciosa, proximidade da boca do falante) dão ao modelo mais sinal acústico utilizável. Quando um modelo já opera perto da borda da sua distribuição de treinamento para determinado sotaque, o áudio limpo ajuda a se recuperar da incerteza fonológica. A melhoria de WER vinda de uma boa gravação costuma superar a lacuna de WER causada pelo próprio sotaque, especialmente na faixa de dificuldade moderada.

Posso melhorar a precisão para o meu sotaque específico sem construir um modelo personalizado?

Sim, com duas técnicas práticas. Primeira, usar direcionamento por termos-chave (keyterm biasing): tanto o Deepgram Nova-3 quanto o Universal-3 Pro da AssemblyAI aceitam listas de vocabulário personalizadas que orientam o modelo para os termos esperados. Segunda, fornecer um prompt inicial breve no Whisper contendo vocabulário representativo. Essas técnicas não exigem treinamento e podem recuperar vários pontos percentuais de precisão em terminologia específica do domínio. Para uso em produção de alto volume, o fine-tuning com algumas centenas de horas de áudio rotulado da sua população de falantes é um investimento maior, mas produz ganhos mais duradouros.

O viés contra o AAVE ainda é um problema nos modelos de IA mais recentes?

Sim. Um estudo de 2024 constatou que os modelos modernos de aprendizado auto-supervisionado (wav2vec 2.0, HuBERT, WavLM, XLS-R) produzem WER mais alto em enunciados com mais características fonológicas e morfossintáticas do AAVE. A disparidade observada no estudo original de Koenecke et al., publicado na PNAS em 2020 (0,35 de WER para falantes negros vs. 0,19 para falantes brancos em cinco grandes sistemas comerciais), não se fechou totalmente nas gerações seguintes de modelos. A pesquisa segue em curso, e vários grupos trabalham em conjuntos de dados específicos de dialetos e protocolos de anotação para fechar essa lacuna, mas, em meados de 2026, ela continua real.

Fontes

• Koenecke, A. et al. "Racial Disparities in Automated Speech Recognition." PNAS, 2020. https://github.com/stanford-policylab/asr-disparities
• Graham, C. and Roll, J. "Evaluating OpenAI's Whisper ASR: Performance analysis across diverse accents and speaker traits." JASA Express Letters, 2024. https://pubs.aip.org/asa/jel/article/4/2/025206/3267247/
• Kerson AI. "Accent Bias in Speech Recognition: Challenges, Impacts, and Solutions." https://kerson.ai/research/accent-bias-in-speech-recognition-challenges-impacts-and-solutions/
• AssemblyAI. "How accurate is speech-to-text in 2026?" https://www.assemblyai.com/blog/how-accurate-speech-to-text
• ISCA Archive. "Self-supervised Speech Representations Still Struggle with African American Vernacular English." Interspeech 2024. https://www.isca-archive.org/interspeech_2024/chang24d_interspeech.html
• Arxiv. "Adapting Whisper for Regional Dialects: Enhancing Public Services for Vulnerable Populations in the United Kingdom." 2025. https://arxiv.org/pdf/2501.08502
• Deepgram. "Speech Recognition Accuracy: Production Metrics." https://deepgram.com/learn/speech-recognition-accuracy-production-metrics
• OpenAI / Hugging Face. "whisper-large-v3 Model Card." https://huggingface.co/openai/whisper-large-v3
• Deepgram Nova-3 Review, Transcribe Blog. "Is It Still the Fastest STT API in 2026?" https://transcriber.talkflowai.com/blog/deepgram-nova-3-review-benchmarks-pricing