Romeno: "Está com fome?" virou "Estou morrendo de fome"

A abertura de um filme romeno: duas pessoas conversando, pouquíssimo ruído de fundo, nenhuma multidão. Dos nossos quatro trechos em romeno, este é o mais limpo.

Uma delas pergunta: "Ți-e foame?" Está com fome?

O Speechmatics escreveu "mor de foame": estou morrendo de fome. Uma pergunta virou uma afirmação, e agora vem da outra pessoa. No mesmo minuto, transformou "escuta, por favor" em "eu também ouvi", "peguei as flores" em "dei as flores", e substituiu o "tort" (bolo) de "bolo de merengue" por uma palavra que não cabe ali, satisfăcător ("satisfatório").

Quando um motor faz isso no trecho mais fácil do conjunto, o problema é o motor, não a gravação.

Os trechos de teste: três filmes, quatro cenas

• Filantropica (2002): uma multidão na porta de uma boate, ruído forte, pessoas gritando umas por cima das outras. Nível mais difícil.
• A Morte do Sr. Lăzărescu (Moartea domnului Lăzărescu, 2005): um pronto-socorro, com médicos, enfermeiras, pacientes e telefonemas se cruzando, além de termos médicos como bariu (bário). Nível médio a alto.
• 4 Meses, 3 Semanas e 2 Dias (4 luni, 3 săptămâni și 2 zile, 2007), duas cenas: um jantar de aniversário com a mesa inteira falando ao mesmo tempo, interrupções constantes e muitos preços (nível mais difícil); e a discussão de abertura entre duas pessoas descrita acima (nível de base).

Fontes em romeno são escassas. Filmes com áudio disponível não têm legendas, e filmes com legendas não têm o áudio completo, então duas cenas tiveram de vir do mesmo filme.

Motores que testamos

Primeira rodada: ElevenLabs Scribe v2, AssemblyAI, Speechmatics e Doubao (ro-RO). FunASR, iFlytek e Qwen foram rodados apenas como referência. As transcrições do Soniox vieram de uma rodada separada com todos os motores e entraram na revisão no início de julho. O Gemini foi adicionado em agosto de 2026.

Linhas vermelhas, motor a motor

O Speechmatics teve problemas em todos os trechos. Além dos citados acima: na rua, "vamos para o Cult Club" virou "vamos para a cama", e um simples "Onde?" cresceu para "Onde fica o Lake Sloop", um lugar que ninguém mencionou. No pronto-socorro, acrescentou uma frase que ninguém disse, algo como "o médico está no telefone".

O AssemblyAI não entrou em loop, mas inventa palavras em cenas lotadas. "Cult Club" virou duas vezes uma não palavra, "Kulfland". No jantar, transformou duas vezes "dragă" (querido) no palavrão "dracu". No trecho limpo, inseriu uma negação, e "Vai! Eu te conto…" virou "Vai, eu não vou contar…". Também embaralhou um nome, quebrou o verbo no início de uma frase e deixou de fora trechos inteiros.

ElevenLabs: nenhuma inversão em nenhum trecho. Seus erros foram perder o "Cult" e ouvir duas vezes "sutimi" (centésimos, como em centavos) como "sutieni" (sutiãs), de som parecido.

Doubao: nenhuma alucinação, nenhuma inversão, e todos os preços do jantar corretos. Seus erros foram trocas de palavras de som parecido, como ceaiul (o chá) em vez de ceva (alguma coisa) em "posso te trazer alguma coisa lá de baixo?"

Soniox: nenhum trecho fabricado; suas transcrições tinham mais ou menos o mesmo tamanho das do ElevenLabs e do Doubao, sem enchimento. Acertou o nome Popescu e o condicional "dacă-mi vii" (se você vier até mim), exatamente onde o AssemblyAI embaralhou e o Speechmatics inverteu. Borrou dois pontos de som parecido no trecho limpo.

O que escolhemos, e por quê

Principal: ElevenLabs Scribe v2. A menor taxa de erro no trecho limpo, nenhuma inversão em nenhum trecho.

Referência 1: Soniox. Entre os candidatos a referência, teve a menor taxa de erro nos quatro trechos e se mostrou limpo na leitura linha a linha. Substituiu o AssemblyAI. Os erros do AssemblyAI são, em sua maioria, palavras estranhas que chamam a atenção, então ele saiu por ser mais fraco que o Soniox, não por ser perigoso.

Referência 2: Doubao. Nenhuma alucinação, nenhuma inversão. O Soniox e o Gemini são ambos transcritores baseados em modelos grandes; o Doubao tem uma abordagem diferente, o que o torna um contrapeso útil.

Referência 3: Gemini. Veja a próxima seção.

Evidências contra a nossa escolha

• A conclusão original era AssemblyAI mais Doubao. Ela só mudou depois que as transcrições do Soniox foram separadas e revisadas. O corpo daquele relatório original ainda afirma a conclusão antiga, com uma correção acrescentada no topo.
• O Speechmatics foi o único motor a acertar o termo médico "bariu" nas duas vezes. O Soniox escreveu "bari", com uma letra a menos.
• O motor principal também erra: o ElevenLabs ouviu "centavos" como "sutiãs", duas vezes.
• O Gemini não teve nenhum trecho de filme limpo em romeno. No pronto-socorro, transformou "bariu" em "bani" (dinheiro) e se repetiu no início. No jantar, cometeu quatro ou cinco erros, perdendo o núcleo de uma frase e transformando "uísque?" em "suco?". Depois rodamos um podcast de entrevista real de cinco minutos. Nenhuma alucinação, nenhuma inversão, nenhum loop; dois deslizes pequenos ("eu" como "ele" e uma expressão idiomática confusa) e três pontos em que foi mais preciso que o ElevenLabs. Esse podcast não tinha transcrição de referência humana; comparamos o Gemini apenas com o ElevenLabs.

Ainda em aberto

• Quatro cenas de três filmes, e nenhuma delas uma entrevista de pesquisa.
• Só o trecho do pronto-socorro tem vocabulário especializado, e os motores divergiram muito nele (veja "bariu" acima). As conclusões ali ainda não são sólidas.