WER: o que é e como interpretar os 99% de precisão

A taxa de erro por palavra (WER, na sigla inglesa de «word error rate») é a régua-padrão do reconhecimento de fala: pega-se numa transcrição de referência perfeita, compara-se palavra a palavra com o resultado da máquina e contam-se os erros. Uma WER de 5 % equivale, grosso modo, a «95 % de precisão» — e é nessa passagem da métrica para o marketing que começam os problemas. Para perceber o que é a WER e como interpretar os 99 % de precisão dos anúncios, convém separar as coisas: a WER é uma medida real e útil; a forma como aparece na publicidade quase não quer dizer nada. Eis como funciona a métrica, o que esconde e como avaliar as promessas de precisão como quem sabe do assunto.

Como se calcula a WER

Alinhe a transcrição da máquina com uma referência verificada por uma pessoa e conte três tipos de erro:

• Substituições — a palavra errada: «concerto» em vez de «conserto», «blá blá escribe» em vez de «BlaBlaScribe».

• Omissões — palavras que a máquina deixou cair.

• Inserções — palavras que inventou, muitas vezes a partir do ruído de fundo.

Depois: WER = (S + D + I) ÷ N, em que N é o número de palavras da referência. Dez erros numa referência de 200 palavras = 5 % de WER. Como as inserções contam, a WER pode passar dos 100 % com áudio impossível — uma curiosidade que revela o quão literal é a métrica. (A métrica tem origem na distância de edição; o artigo da Wikipédia traz a definição formal.)

O que a WER esconde

Todos os erros pesam o mesmo — mas não deviam

Deixar cair um «hum» e estropiar o nome do presidente executivo contam, cada um, como um erro para a WER. Para quem lê, um é invisível e o outro dá direito a captura de ecrã. As transcrições reais vivem e morrem pelas palavras que estão erradas — nomes, números, negações — e a WER não vê a diferença. («Podemos» e «não podemos» valem um único erro.)

O número não significa nada sem o áudio de teste

O mesmo sistema pode ter 4 % de WER num podcast gravado em estúdio e 30 % numa gravação por telemóvel de uma magote de jornalistas ao vento. Os «99 % de precisão» de um fornecedor foram medidos em alguma coisa — quase de certeza fala limpa, de um só orador, com sotaque nativo. O seu áudio é a única referência que prevê os seus resultados, e essa é a ideia honesta no centro do nosso guia sobre porque é que a precisão da transcrição varia.

Os jogos da normalização

Antes da comparação, os textos são normalizados — maiúsculas, pontuação, «20» ou «vinte», bordões. Escolhas de normalização diferentes mexem na WER em vários pontos. Os números publicados raramente revelam essas escolhas, o que torna as comparações entre fornecedores, com base nos valores de montra, sobretudo teatro.

A WER não diz nada sobre o resto do produto

Erros na atribuição dos oradores, pontuação desfeita, marcas temporais que derrapam — nada disso entra na WER. Uma transcrição com 3 % de WER e a identificação de oradores baralhada é um trabalho pior do que uma com 5 % e atribuição limpa. (A diarização tem a sua própria métrica, a DER, que os fornecedores citam ainda menos vezes.)

Como ler uma promessa de precisão

Uma pequena tabela de tradução da linguagem de marketing:

Nenhuma destas é exatamente uma mentira — são números do melhor cenário apresentados como típicos. O que denuncia uma conversa honesta sobre precisão são as condições: que áudio, que sotaques, que normalização.

A única referência que interessa: a sua

Testar vale mais do que ler. O procedimento leva vinte minutos:

1. Escolha uma gravação real — os microfones de sempre, os sotaques, as vozes sobrepostas. Não o ficheiro mais limpo; o típico.

2. Passe-a pelas ferramentas que está a comparar (há planos gratuitos precisamente para isto — o nosso guia de ferramentas gratuitas faz o levantamento).

3. Não calcule a WER formal — leia. Verifique as palavras que lhe custam caro: nomes, números, termos técnicos, negações. Conte esses erros.

4. Verifique o resto: os oradores estão bem identificados? A pontuação lê-se bem? As marcas temporais são clicáveis para verificar?

5. Cronometre a correção: os minutos até ficar publicável no editor de cada ferramenta são a métrica que a sua semana realmente sente.

Perguntas frequentes

Qual é uma boa WER para transcrição com IA em 2026?

Com fala limpa e bem captada, os melhores sistemas ficam nas unidades baixas — um resultado verdadeiramente excelente. Com áudio difícil (ruído, sotaques fortes, vozes sobrepostas), a WER sobe a pique em todos os sistemas. Não existe um único número honesto.

95 % de precisão é bom?

É um erro a cada vinte palavras — nota-se em todas as linhas de uma transcrição densa. Se é «bom» depende inteiramente de quais são as palavras erradas e da rapidez com que o editor lhe permite corrigi-las.

Porque é que todos os fornecedores dizem ter cerca de 99 %?

Porque é aí que caem os números do melhor cenário em benchmarks limpos, e ninguém publicita o resultado num parque de estacionamento ventoso. Veja a convergência das promessas como sinal de que a métrica deixou de distinguir, não de que as ferramentas são todas iguais.

Uma WER mais baixa significa sempre uma transcrição melhor?

Normalmente, com o mesmo áudio — mas a atribuição, a pontuação e a facilidade de edição é que decidem o valor prático. Compare transcrições acabadas, não casas decimais.

Conclusão

A WER é uma boa métrica de engenharia e um mau guia de compra. Saiba o que conta, repare no que ignora e deixe que uma gravação real e confusa — lida com os seus próprios olhos — derrote todas as percentagens de todos os anúncios.