Speech-to-Text

O pricing é quase sempre por minuto de áudio. Os modelos flagship (Whisper Large V3, Deepgram Nova-3, ElevenLabs Scribe) custam cerca de €0,005-€0,015 por minuto. A transcrição de um podcast de uma hora custa €0,30-€0,90 consoante o tier. Alguns fornecedores cobram extras por funcionalidades premium como diarização de oradores, timestamps ao nível da palavra, resumos ou tradução, por isso faça as contas com as funcionalidades que realmente vai ligar.

O compromisso é exatidão, latência e riqueza de funcionalidades. O Whisper Large V3 lidera em word-error-rate bruto nos benchmarks e é open-weights, ou seja, self-hostable. O Deepgram Nova-3 e o AssemblyAI Universal lideram em latência de streaming (sub-300ms ao primeiro token) e em qualidade da diarização. O ElevenLabs Scribe lidera em cobertura multilingue e em code-switching (quando os oradores trocam de língua a meio da frase). Para transcrição em batch, o Whisper costuma ganhar em custo-e-exatidão. Para transcrição de chamadas em tempo real, ganha um fornecedor streaming-first.

Atenção a áudio ruidoso: o word-error-rate duplica grosso modo abaixo de 20 dB de SNR em qualquer modelo, e oradores sobrepostos degradam a diarização mesmo nos flagships. Pré-processe com um modelo de supressão de ruído (RNNoise, Krisp) se a fonte for imprevisível. Atenção também aos nomes próprios: todos os modelos continuam a transcrever mal nomes invulgares, termos técnicos e nomes de marca. A maior parte dos fornecedores aceita uma lista de `keywords` para enviesar o decoder — use-a.

As top picks acima cobrem o modelo mais exato, o cavalo de batalha mais barato, o que suporta áudio mais longo e a opção de streaming mais rápida.