Apresentamos o VoicePing ASR Model V0.1, um modelo multilíngue de conversão de fala em texto para inglês, japonês, coreano, chinês e vietnamita.
Apresentando o VoicePing ASR Model V0.1
Hoje apresentamos o VoicePing ASR Model V0.1, nosso modelo multilíngue de conversão de fala em texto para os idiomas que aparecem com mais frequência no VoicePing: inglês, japonês, coreano, chinês e vietnamita.
O VoicePing foi construído em torno da comunicação falada multilíngue: reuniões, eventos, tradução de voz, transcrições, resumos e busca. Nesses fluxos de trabalho, o ASR (reconhecimento automático de fala) não é um recurso isolado. É a primeira camada de toda a experiência do produto. Se a transcrição é instável, cada etapa seguinte se torna menos útil.
O VoicePing ASR Model V0.1 foi projetado para essa realidade. Ele se concentra nos cinco idiomas centrais que mais atendemos, com o objetivo de produzir transcrições mais limpas para conversas reais.
Um Único Modelo para o Trabalho Multilíngue
O reconhecimento de fala de uso geral evoluiu rapidamente, mas o áudio multilíngue real ainda apresenta pontos difíceis:
- Japonês, coreano e chinês exigem um tratamento de texto sensível ao idioma.
- O vietnamita depende de marcas de tom precisas e de limites de palavra corretos.
- Trechos longos ou com ruído podem gerar transcrições parciais, saídas vazias e texto repetido.
- Modelos em nuvem podem se comportar de forma diferente entre idiomas, mesmo quando a API parece uniforme.
- Um sistema com bom desempenho em um benchmark público nem sempre é a melhor opção para reuniões, eventos e tradução de voz.
O VoicePing ASR Model V0.1 é nosso primeiro modelo consolidado construído em torno dessa superfície de produto de cinco idiomas. O benchmark abaixo faz uma pergunta prática: quão bem ele transcreve a fala que realmente importa para os nossos usuários?
O Que Ele Faz
O VoicePing ASR Model V0.1 transcreve fala em:
- Inglês
- Japonês
- Coreano
- Chinês
- Vietnamita
O resultado é a transcrição que alimenta recursos posteriores do VoicePing, como tradução, legendas, notas de reunião e histórico de conversas pesquisável.
Este artigo usa ASR (reconhecimento automático de fala) e STT (do inglês speech-to-text) de forma intercambiável. Ambos significam transcrição de fala em texto.
Avaliações
Conjunto de Dados
A avaliação usa um conjunto multilíngue de fala do VoicePing com 1.000 trechos por idioma, cerca de 41 horas de áudio no total. Os trechos refletem o tipo de fala que o VoicePing lida na prática: conversas reais, em vez de gravações limpas de leitura em voz alta.
| Idioma | Trechos |
|---|---|
| Inglês | 1,000 |
| Japonês | 1,000 |
| Vietnamita | 1,000 |
| Coreano | 1,000 |
| Chinês | 1,000 |
| Total | 5,000 |
Todos os sistemas são testados no mesmo conjunto de áudio.
Modelos Comparados
Comparamos o VoicePing ASR Model V0.1 com sistemas de fala em nuvem amplamente usados e modelos abertos de ASR, incluindo Google Cloud STT, Azure AI Speech, modelos de transcrição da OpenAI, ElevenLabs Scribe v2, Deepgram Nova-3, Qwen3-ASR e SenseVoiceSmall.
Pontuação
A métrica principal é a taxa de erro de palavras (WER, do inglês word error rate): quanto menor, melhor. A WER mede quantas palavras são inseridas, excluídas ou substituídas em comparação com a transcrição de referência humana.
Latência
A precisão não é o único requisito para um ASR em produção. Também medimos quanto tempo cada sistema leva para retornar uma transcrição, porque um modelo preciso, porém lento, ainda pode parecer ruim em reuniões e eventos ao vivo.
Resultados Principais
O gráfico abaixo compara a taxa média de erro de palavras nos cinco idiomas para o VoicePing ASR Model V0.1 e os sistemas externos de conversão de fala em texto deste benchmark. Barras mais baixas são melhores. Os gráficos por idioma aparecem na seção de resultados.
Precisão por Idioma
| Sistema | WER EN | WER JA | WER VI | WER KO | WER ZH | WER Macro |
|---|---|---|---|---|---|---|
| VoicePing ASR Model V0.1 | 20.2% | 20.4% | 15.5% | 24.5% | 16.0% | 19.3% |
| Google Cloud STT V1 default | 23.1% | 23.5% | 52.1% | 57.8% | 44.2% | 40.1% |
| Google Cloud STT Chirp 2 | 24.5% | 29.7% | 14.8% | 32.8% | 22.6% | 24.9% |
| Google Cloud STT Chirp 3 | 22.9% | 26.4% | 20.1% | 37.4% | 19.2% | 25.2% |
| Azure AI Speech | 23.0% | 21.1% | 21.0% | 37.3% | 22.5% | 25.0% |
| OpenAI GPT-4o Transcribe | 50.6% | 52.4% | 64.3% | 44.1% | 29.1% | 48.1% |
| OpenAI GPT Realtime Whisper | 31.8% | 26.2% | 20.9% | 33.0% | 22.4% | 26.9% |
| Qwen3-ASR 0.6B | 23.8% | 29.7% | 26.2% | 38.2% | 20.9% | 27.7% |
| Qwen3-ASR 1.7B | 21.9% | 25.0% | 22.0% | 33.1% | 20.0% | 24.4% |
| SenseVoiceSmall | 28.0% | 37.4% | 99.9% | 45.9% | 28.1% | 47.9% |
| ElevenLabs Scribe v2 | 28.6% | 20.3% | 15.4% | 31.5% | 21.2% | 23.4% |
| Deepgram Nova-3 | 29.3% | 28.0% | 38.4% | 44.8% | 29.2% | 34.0% |
Ranking
| Sistema | WER Macro | Latência mediana | Observações |
|---|---|---|---|
| VoicePing ASR Model V0.1 | 19.3% | 1.22s | ASR multilíngue do VoicePing |
| Google Cloud STT V1 default | 40.1% | 7.47s | Fala em texto na nuvem |
| Google Cloud STT Chirp 2 | 24.9% | 7.12s | Fala em texto na nuvem |
| Google Cloud STT Chirp 3 | 25.2% | 7.32s | Fala em texto na nuvem |
| Azure AI Speech | 25.0% | 7.12s | Fala em texto na nuvem |
| OpenAI GPT-4o Transcribe | 48.1% | 1.53s | Transcrição da OpenAI |
| OpenAI GPT Realtime Whisper | 26.9% | 7.17s | Transcrição da OpenAI |
| Qwen3-ASR 0.6B | 27.7% | 3.56s | Modelo aberto de ASR |
| Qwen3-ASR 1.7B | 24.4% | 4.18s | Modelo aberto de ASR |
| SenseVoiceSmall | 47.9% | 0.07s | Modelo aberto de ASR |
| ElevenLabs Scribe v2 | 23.4% | 3.07s | Fala em texto na nuvem |
| Deepgram Nova-3 | 34.0% | 1.33s | Fala em texto na nuvem |
O VoicePing ASR Model V0.1 combina a menor WER macro deste benchmark com um dos tempos medianos de resposta mais rápidos, de 1.22 segundos. Os sistemas que respondem mais rápido nesta rodada abrem mão de uma grande parcela de precisão para isso.
Resultados por Idioma
Inglês
O VoicePing ASR Model V0.1 tem a menor WER em inglês desta comparação, com 20.2%, à frente do Qwen3-ASR 1.7B e dos principais sistemas em nuvem testados aqui.
Japonês
O japonês é um dos idiomas mais importantes para o VoicePing. Neste conjunto de dados, o VoicePing ASR Model V0.1 alcança 20.4% de WER, em empate virtual com o ElevenLabs Scribe v2 (20.3%) pelo melhor resultado em japonês, à frente do Azure AI Speech e dos modelos abertos de ASR usados como referência.
Vietnamita
O vietnamita é a disputa mais acirrada deste benchmark: o Google Cloud STT Chirp 2 lidera com 14.8% de WER, com o ElevenLabs Scribe v2 (15.4%) e o VoicePing ASR Model V0.1 (15.5%) praticamente empatados logo atrás.
Coreano
O coreano apresenta uma das diferenças mais claras do benchmark. O VoicePing ASR Model V0.1 registra 24.5% de WER, bem à frente do grupo seguinte de sistemas.
Chinês
O chinês é outra área forte do VoicePing ASR Model V0.1, com 16.0% de WER, com o Google Cloud STT Chirp 3 e o Qwen3-ASR 1.7B logo atrás.
O Que Aprendemos
- O VoicePing ASR Model V0.1 tem a maior precisão geral deste benchmark, com 19.3% de WER macro nos cinco idiomas.
- O resultado não é uniforme entre os idiomas: inglês, coreano e chinês mostram as vantagens mais claras do VoicePing nesta rodada, o japonês fica em empate virtual com o melhor sistema em nuvem, e o vietnamita é uma disputa acirrada decidida por menos de um ponto.
- Sistemas de uso geral maiores não vencem automaticamente em fala multilíngue específica de produto.
- Precisão e tempo de resposta importam para a experiência do usuário, especialmente em reuniões e eventos ao vivo.
Próximos Passos
O VoicePing ASR Model V0.1 é uma primeira versão, e este benchmark é um retrato do momento. O conjunto de dados foi construído a partir do tipo de fala que o VoicePing lida na prática, portanto mede a prontidão para o nosso produto, e não substitui um benchmark público universal — e os sistemas em nuvem da comparação continuarão evoluindo, assim como o nosso modelo. A latência também depende do ambiente de implantação, portanto trate os números de velocidade como indicativos, e não absolutos.
A partir daqui, nosso trabalho se concentra nos pontos que esta avaliação indica: reduzir os padrões de erro que ainda restam em cada idioma, ampliar o conjunto de teste com áudios mais ruidosos, mais longos e mais específicos de domínio, e expandir a comparação à medida que novos sistemas de conversão de fala em texto forem lançados. As pontuações automáticas orientam esse trabalho, e a revisão humana das transcrições permanece parte de cada decisão de lançamento.
Conclusão
O VoicePing ASR Model V0.1 é nosso primeiro modelo multilíngue consolidado de ASR para inglês, japonês, coreano, chinês e vietnamita. Neste benchmark de 5.000 trechos, ele entrega a maior precisão geral entre os sistemas testados, com alguns dos tempos de resposta mais rápidos — e é a camada de transcrição sobre a qual todos os outros recursos do VoicePing são construídos.
A mudança importante é o foco: estamos avaliando o ASR como parte de um produto real de comunicação multilíngue, e não como uma demonstração isolada de modelo.
