Quanto custa de verdade não enviar nada
Um modelo de fala que cabe em um navegador é menor do que um que roda num rack de servidores. Esta é a distância entre os dois, medida no mesmo áudio, para os nove idiomas.
erro por palavra, quanto menor melhor · FLEURS test · n = 111–120 · 2026-09-26
Como isto foi medido
Os dois sistemas receberam as mesmas 150 frases por idioma do conjunto de teste FLEURS do Google, na mesma máquina, com a mesma normalização: maiúsculas e pontuação não contam. Uma frase é excluída por completo se o texto de referência, ou a saída de qualquer um dos dois sistemas, contiver algarismos — “1940” e “mil novecentos e quarenta” estão ambos certos, e nenhuma regra única normaliza isso em nove idiomas. As frases descartadas são as mesmas para os dois sistemas, e descartá-las aumenta a diferença em vez de reduzi-la. O sistema de referência é o Whisper large-v3, o modelo que a maioria dos serviços de transcrição on-line gratuitos usa, quantizado em q5_0. Muitos serviços gratuitos rodam na verdade uma variante menor do Whisper, então a diferença mostrada aqui é a maior que se deve esperar.
O que estes números não dizem
FLEURS é fala lida gravada em ambiente silencioso, então as duas colunas são otimistas em relação a uma gravação real de reunião. Olhe a diferença entre as colunas, não os valores absolutos. O FLEURS também só traz espanhol latino-americano e português brasileiro, de modo que as variantes europeias desses dois idiomas não são medidas separadamente.
Velocidade é a fração do tempo real que a transcrição consome: 0,20× significa que uma hora de gravação leva doze minutos. Medido num notebook Apple com chip M; na sua máquina será diferente.