Alemão: quando o dialeto vienense fez o motor mais estável mudar para o inglês

Numa cena de confronto à mesa de bar do filme austríaco Hundstage, vários homens se provocam num dialeto vienense carregado. Nessa cena, o AssemblyAI de repente mudou para o inglês, produzindo falas como "You just often want to sing... I will the luz dance like if I was a toad", nada do que está no áudio. Na mesma cena, o Doubao ficou no alemão do começo ao fim e foi o mais coerente do grupo.

Nos outros três trechos, todos em alemão padrão, o AssemblyAI foi o motor mais limpo que testamos. Dentro de um mesmo idioma, um dialeto pode virar o ranking de cabeça para baixo.

Os trechos de teste

Quatro cenas de filmes, três alemães e um austríaco, de dois a três minutos cada:

• Knockin' on Heaven's Door (1997): dois protagonistas conversando rápido numa lanchonete, interrompidos pelo telefonema de um gângster.
• Der Untergang (2004): um conselho de guerra no bunker, cinco ou mais oficiais cortando uns aos outros.
• Sophie Scholl (2005): um interrogatório no tribunal com uma multidão gritando por cima. É o único trecho em que as legendas batem com o áudio palavra por palavra, então seu WER tem significado.
• Hundstage (2001): dialeto vienense, intimidação numa mesa de bar. A referência utilizável cobre só 1 minuto e 42 segundos.

Vários outros filmes estavam na nossa lista, mas não conseguimos passar pelas restrições de idade do YouTube, ou o "filme completo" era na verdade um resumo em inglês. Boas fontes de diálogo difícil em alemão de cinema são escassas.

Nos três níveis do primeiro post, Knockin' e Sophie Scholl ficam perto do nível intermediário, e Der Untergang e Hundstage no mais difícil. O nível básico não está coberto.

Os candidatos

ElevenLabs, AssemblyAI, Doubao, Speechmatics (dois modelos), Soniox, Gladia, Deepgram, FunASR e, depois, Gemini.

As seis linhas vermelhas, motor por motor

Palavras e frases inventadas. Em Sophie Scholl, a multidão grita "Frechheit" (que ultraje). Três motores inventaram, cada um, uma palavra diferente para isso: o Soniox escreveu "Brecher als sowas Brecher Schwein oder Schwein", o Deepgram escreveu "Wecker" (despertador) e o Gladia escreveu "Lecker als sowas Lecker Lecker" (gostoso). Em Knockin', o Soniox ouviu "Frankie ist harmlos" (o Frankie é inofensivo) como "ein Harvard" e acrescentou uma frase por conta própria. Em Der Untergang, o Deepgram transformou "kulturlosen Bestien" numa sequência de palavras inventadas.

Desvio de idioma. É a cena do início. Quando checamos de novo, o AssemblyAI tinha mudado para o inglês três vezes distintas no trecho austríaco.

Sentido invertido. No trecho austríaco, o Speechmatics transformou "Dir vergeht die Lust, wenn du tot bist" (a vontade passa quando você estiver morto) em "Ich will dich los wenn du tot bist", mudando tanto o sujeito quanto o sentido, e acrescentou um insulto, "du Schwein".

Trechos perdidos. O Deepgram pulou cerca de 30 segundos de diálogo em Knockin'. No trecho austríaco, devolveu 25 palavras, perdendo cerca de 90%.

Repetição. O Soniox mostrou uma repetição leve no trecho austríaco, com uma palavra aparecendo quatro vezes seguidas. Não temos registro disso para os outros nesses quatro trechos.

O que escolhemos

Faixa principal: ElevenLabs Scribe v2. Nunca mudou de idioma, nunca inventou uma frase e fez entre zero e três substituições por trecho.

Faixas de referência, em ordem de prioridade:

1. AssemblyAI (universal-2): o mais limpo nos três trechos em alemão padrão, com zero erros no conselho de guerra de Der Untergang.
2. Doubao: ficou no alemão nos quatro trechos, sem frases inventadas nem grandes lacunas. No dialeto austríaco foi mais estável que o AssemblyAI.
3. Gemini: incluído em 26 de agosto de 2026. Quando o testamos em 26 idiomas, o alemão ficou no grupo em que ele podia entrar direto. Em Hundstage não teve linhas vermelhas e não mudou para o inglês onde o AssemblyAI mudou.

Evidências contra a nossa escolha

• O Doubao distorce sentidos. Escreveu "Frankie ist harmlos" (o Frankie é inofensivo) como "hart vor", empurrando o sentido para o lado oposto. "Ja, no problem" virou "ja nur Brot" (só pão), e "Acht, Acht" (oito, oito) virou o número 88.
• A faixa principal também mudou um sentido. Em Der Untergang, o ElevenLabs transformou "In einem Krieg wie diesem" (numa guerra como esta) em "In einem Kollektiv dieser Art" (num coletivo deste tipo).
• O Gemini inventou uma frase em alemão. Em Der Untergang, escreveu uma fala que ninguém diz, "Flucht oder Berlin wird ein gewaltiger Rückschlag", e transformou "Você está louco?" em "Ele está louco".
• O único vencedor confiável em WER não entrou. O Speechmatics teve o menor WER em Sophie Scholl. No alemão padrão ele é de fato seguro; suas falhas são sobretudo omissões. Mas no dialeto austríaco mudou tanto o sujeito quanto o sentido de uma fala.

Perguntas em aberto e limites

• Temos um trecho austríaco, com só 1 minuto e 42 segundos de referência utilizável. O alemão suíço não foi testado.
• Os quatro trechos são de filmes. Nenhum é uma entrevista real, e nenhum está no nível básico.
• Nos poucos segundos de gritos da multidão em Sophie Scholl, três motores inventaram cada um uma palavra, enquanto o AssemblyAI e o Speechmatics deixaram a lacuna vazia. Uma lacuna vazia é mais segura que uma palavra inventada, mas mostra que esses segundos ainda são difíceis para a maioria dos motores.