Benchmark de IA para áudio: Whisper e alternativas (2026)

**Benchmark de [IA](https://clubmartech.com.br/blog/ia-marketing-vendas-inteligentes/) para áudio** mede duas coisas distintas: transcrever fala em texto e gerar voz sintética. Para transcrição, a métrica é a **taxa de erro de palavra (WER)** — proporção de palavras erradas, omitidas ou inseridas; quanto menor, melhor. E aqui há uma resposta que contraria o senso comum do mercado: **o Whisper não é mais estado da arte**. No Open ASR Leaderboard, o **whisper-large-v3 aparece em 9º lugar entre 30 modelos em português**, com WER de 3,50% contra 2,47% do líder — cerca de **42% pior em termos relativos**. Em inglês a posição é mais dura ainda: **54º de 74**. Não é opinião de blog; é o ranking, e este artigo mostra os números.

## O recorte de português existe — e quase ninguém usaA maioria dos comparativos cita o WER médio em inglês, que é irrelevante para operação brasileira. O **Open ASR Leaderboard mantém um arquivo dedicado ao português**, com 30 modelos avaliados em dois conjuntos:

• **FLEURS-pt** — texto de enciclopédia lido em voz alta, áudio limpo
• **MLS-pt** — audiolivros em português

Repare que o Whisper cai mais em MLS-pt (audiolivro) que em FLEURS-pt — **6,37% contra 3,50%**. Áudio mais longo e com variação de entonação degrada o desempenho, e é um sinal do que esperar em [conteúdo](https://clubmartech.com.br/blog/conteudo-longo-prazo-anos/) real.Para referência histórica, o paper original do Whisper reporta, para o **large-v2 em português**: 6,8% no MLS, 6,3% no Common Voice 9 e 4,3% no FLEURS. As versões v3 e turbo **não têm tabela por idioma no paper** — e **não existe Whisper v4**: nenhuma menção no repositório oficial.## ⚠️ A condição do teste muda tudoAntes de escolher com base na tabela acima, saiba o que ela não cobre. **FLEURS e MLS são áudio lido, em estúdio, [sem](https://clubmartech.com.br/blog/sem-avancado-estrategia-roi/) ruído.** Nenhum desses números vale para:

• **Telefonia** — banda estreita, compressão agressiva
• **Call center** — sobreposição de falantes, ruído de fundo
• **Reunião gravada** — microfone distante, múltiplas vozes
• **Áudio de rede social** — música ao fundo, corte abrupto

**Não localizei benchmark público desses domínios em português.** Se o seu caso é transcrever [atendimento](https://comecandonaweb.com.br/atendimento-ao-cliente/) telefônico, a única medição que vale é a sua: separe 30 gravações reais, transcreva manualmente como gabarito e compare. É meia manhã de trabalho que evita uma escolha de milhares de reais.## Quanto custa transcrever

Atenção a uma pegadinha de leitura: a página da Deepgram tem um **alternador entre preço por minuto e por hora** que confunde comparações — os valores acima são por minuto. E o **Whisper, sendo aberto, tem custo de [infraestrutura](https://clubmartech.com.br/blog/infraestrutura-dados-ia-meses/), não de licença**: a conta é a GPU, tratada no

.⚠️ Uma lacuna que vale declarar: **gpt-4o-transcribe, Deepgram e Google Chirp não estão no leaderboard independente**. Qualquer WER publicado para esses três é autorreportado pelo próprio fornecedor.## Síntese de voz: o líder não é quem você imaginaNo **TTS Arena V2**, que mede preferência humana em comparação cega, o topo é ocupado por nomes pouco conhecidos: **Luna TTS (Elo 1574), Vocu V3.0 (1563), CastleFlow v1.0 (1560)** e Inworld TTS MAX (1558).O **ElevenLabs — a marca mais citada do setor — aparece no meio da tabela**: Turbo v2.5 em 15º (1511), Multilingual v2 em 18º e a v3 em 29º. Isso não significa que seja ruim: significa que **reconhecimento de marca e preferência cega são coisas diferentes**, e que vale testar alternativas antes de assumir o padrão de mercado.Preços: ElevenLabs cobra US$ 0,05 por mil caracteres nos modelos Flash e Turbo, e US$ 0,10 no Multilingual. A OpenAI cobra US$ 15 por milhão de caracteres no tts-1 e US$ 30 no tts-1-hd.## Como escolher, por caso de uso

• **Legenda de vídeo e [podcast](https://clubmartech.com.br/blog/podcast-ferramenta-comunicacao-ouvintes/)** — áudio limpo, então a tabela acima se aplica bem. Deepgram Nova-3 dá o melhor custo por minuto; ElevenLabs Scribe v2, a melhor qualidade em audiolivro.
• **Atendimento telefônico** — teste com o seu próprio áudio. Nenhum benchmark público cobre esse domínio em português.
• **Volume muito alto e dado sensível** — Whisper self-host, aceitando o WER um pouco pior em troca de não enviar áudio a terceiro. Relevante sob [LGPD](https://clubmartech.com.br/significado/lgpd/).
• **Voz sintética para peça publicitária** — compare cegamente antes de assinar. A liderança de marca não corresponde à liderança de preferência.
• **Tempo real** — o preço praticamente dobra em todos os fornecedores; confirme se a latência é requisito real.

## Fontes

• Open ASR Leaderboard — com recorte de português
• Paper do Open ASR Leaderboard — 86 sistemas, 12 conjuntos de dados
• Paper original do Whisper — Radford et al.
• TTS Arena V2 — preferência humana em voz sintética
• Preços Deepgram · AssemblyAI · ElevenLabs
• Google Speech-to-Text · OpenAI

## Leia também

• Modelos de IA em 2026 — panorama com preços e versões
• Benchmark de geração de vídeo · de multimodal
• Benchmark de self-host — para rodar o Whisper em infraestrutura própria
• Benchmark de IA — a definição no glossário