Português: três falas invertidas e uma frase-chave resgatada

Numa entrevista aprofundada da televisão portuguesa, a frase mais importante contém "no chão da cozinha". Nossa trilha principal, o ElevenLabs, escreveu "no som da coxinha", uma sequência de sons sem sentido. O Gemini acertou.

Na mesma entrevista, o Gemini transformou "nunca disse isto" (eu nunca disse isso) em "Tu disseste isto" (você disse isso). Em cada uma das três conversas que adicionamos para testá-lo, o Gemini inverteu uma fala desse jeito.

Incluir ou não o Gemini foi a decisão mais discutida no português.

Os trechos de teste

Três cenas de filmes para escolher os motores acústicos, todas em português brasileiro, de dois a três minutos cada:

• Meu Nome Não É Johnny (2008, Rio): uma festa com uma venda de drogas e gente provocando, gíria densa, vozes sobrepostas.
• Que Horas Ela Volta? (2015, São Paulo): seis pessoas à beira de uma piscina, um flerte que de repente vira todo mundo gritando ordens.
• O Auto da Compadecida (2000, Nordeste): um bando de cangaceiros descobre quem alguém realmente é, cinco ou seis pessoas falando rápido com forte sotaque nordestino.

Três conversas reais adicionadas para testar o Gemini, de cinco minutos cada, sem transcrição de referência; comparamos o Gemini com o ElevenLabs linha a linha. Uma é uma entrevista política brasileira, outra uma entrevista aprofundada na televisão portuguesa (com trilhas musicais entre os blocos), e a terceira um podcast com três pessoas falando umas por cima das outras. As duas últimas são em português europeu.

Nos três níveis do primeiro post, as três cenas de filme estão no nível mais difícil. As conversas estão mais próximas de entrevistas reais, mas, sem transcrição de referência, só podemos conferir os motores uns contra os outros.

Os candidatos

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

As seis linhas vermelhas, motor a motor

Frases inventadas. Numa transição da cena da multidão em São Paulo, o AssemblyAI produziu uma fala em inglês, "That's so good." No trecho nordestino, transformou "Oxente, e agora é de dois" (ei, agora é de dois) em "Oxe o Diogo agora é de 12", acrescentando um nome e errando o número. O Speechmatics inseriu "Não mais na escuridão" no trecho do Rio e reduziu uma fala do trecho de São Paulo a "Hoje é um divã Família." O Soniox e o Gladia inventaram a mesma fala emotiva no trecho nordestino, "eu adorei".

Sentido invertido. Nos trechos de filme, o Gemini transformou "você agora está em outro time" em "eu agora estou em outro time" na cena do Rio. Além da inversão do início deste post, as conversas nos deram mais duas: "Não, imagina" (de jeito nenhum) virou "Imagino" (acho que sim), e "E não acertei logo de início" virou "E acertei", perdendo a negação, embora as palavras seguintes, "eu falhei", a contradigam. As três estavam em orações faladas curtas, as três inverteram uma negação ou uma pessoa verbal, e nenhuma foi inventada do nada.

Conteúdo inserido. Na entrevista de TV, o Gemini transcreveu a música entre os blocos como se fosse fala, em três lugares, um deles um fragmento de inglês truncado. Os três caíram em intervalos em que o ElevenLabs não tinha produzido nada. Isso não aconteceu no podcast, que não tem música.

Trechos perdidos. No trecho nordestino, o Gladia pulou toda a conversa da padaria, cerca de oito frases.

Loops de repetição. Nenhum registrado nestes trechos em português.

Mais um erro digno de nota: o Speechmatics transformou o "eu sou casada" de uma mulher (forma feminina) no masculino "casado".

O que escolhemos

Trilha principal: ElevenLabs Scribe v2. A mais completa nas três cenas de filme, com apenas pequenas palavras inseridas.

Trilhas de referência:

• AssemblyAI (universal-2): no geral, o mais preciso dos motores internacionais. Inventou uma coisa em cada um dos trechos de São Paulo e do Nordeste, e nada no trecho do Rio, onde também teve o melhor WER.
• Doubao: estável nas três regiões brasileiras, sem frases inventadas e sem inversões.
• Gemini: adicionado em 26 de agosto de 2026.

O AssemblyAI aparece antes do Doubao na configuração para ficar igual aos nossos outros idiomas europeus. A ordem não significa que ele seja melhor.

Evidências contra a nossa escolha

• O Doubao é semanticamente mais seguro que o AssemblyAI. Nos três trechos de filme, o Doubao não inventou nada; o AssemblyAI inventou duas coisas.
• Nomes são um ponto cego das três trilhas. Nomes como João Guilherme e Dona Bárbara saíram errados nas três trilhas, cada uma de um jeito, então a etapa de fusão não tem nada confiável em que se apoiar. Entrevistas com muitos nomes precisam do glossário.
• As três inversões do Gemini são reais. Em cada caso, as falas ao redor mostram a contradição. Mas essas conversas só foram comparadas com a trilha principal; as outras duas trilhas de referência não foram rodadas nelas.
• Segundo nossos registros de agosto, não havia nenhuma salvaguarda dedicada contra áudio de fundo ser escrito como fala. Uma TV ou um rádio ligado no local de uma entrevista poderia acabar na transcrição dessa forma.

Questões em aberto e limites

• Não há trecho de teste em português europeu. O único filme candidato acabou sendo uma produção francesa com diálogos majoritariamente em francês, e as fontes disponíveis estavam erradas de qualquer forma. Filmes em português europeu quase nunca têm legendas nativas, então não conseguimos montar uma transcrição de referência. Nossas únicas evidências em português europeu são as duas conversas que adicionamos para o Gemini, e elas também não têm referência.
• O Doubao pode não ser confiável em português europeu. Enviamos ao Doubao o código de idioma do português brasileiro. Nossos registros dizem que ele se degrada silenciosamente em algaravia no português europeu, mas, sem um trecho de teste, nunca verificamos isso por conta própria. Há um motor reserva candidato para o português europeu, o Speechmatics Melia-1, ainda aguardando validação.
• As três cenas de filme são cenas de multidão; não há trecho de nível básico.