Sueco: quando "peça desculpas!" virou "eu peço desculpas"

No filme sueco Ondskan (Evil – Raízes do Mal, 2003) há uma cena de bullying num internato. O valentão grita "Be om ursäkt" para o outro garoto: peça desculpas. ElevenLabs, Speechmatics, Soniox e Deepgram transcreveram isso como "Jag ber om ursäkt", eu peço desculpas. Quem exigia o pedido de desculpas virou quem o pedia.

Só o AssemblyAI acertou. Essa fala é parte do motivo pelo qual o AssemblyAI continua na nossa formação para o sueco.

Os trechos de teste

Quatro trechos, todos de cinema e TV. Não publicamos o áudio.

Os dois primeiros existem para fazer os motores falharem. Os dois últimos estão mais próximos de uma entrevista real.

Motores que testamos

ElevenLabs Scribe v2, AssemblyAI, Speechmatics, Soniox, Deepgram, Qwen, FunASR e Doubao. Adicionamos o Gemini em agosto de 2026.

O sueco não está na lista publicada de 25 idiomas suportados pelo Doubao. Dê sueco a ele e você recebe inglês de volta, às vezes em loop: "I don't know", quinze vezes seguidas. Ficou de fora para este idioma.

As linhas vermelhas

Inversões de negação e de posição foram o problema mais comum em sueco. A fala de abertura é uma delas. O ElevenLabs também perdeu um inte em Tillsammans, e "não olhe para eles, não os escute" saiu como "não olhe para eles, escute-os". O Speechmatics transformou "Tycker du" (você acha) em "Jag tycker" (eu acho) e trocou "o mais desajeitado" por "o mais desonesto", o que transforma um comentário sobre falta de jeito num ataque ao caráter de alguém.

Frases alucinadas — a princípio atribuímos três ao AssemblyAI nas duas cenas de grupo: falas que não estavam nas legendas. Na revisão, o Soniox e o Qwen ouviram as mesmas palavras nos mesmos lugares. As legendas tinham deixado de fora diálogo real. Desde então, quando vários motores concordam contra a referência, conferimos primeiro a referência.

Loops: o Qwen tendia a se repetir em sueco; nossa varredura automática contou uma palavra repetida 35 vezes num trecho curto. O Speechmatics transformou a multidão entoando "Kryp!" em doze "Hi". A rigor, é uma substituição, mas o sentido se perde de qualquer forma.

Deriva de idioma só apareceu com o Doubao. Não vimos um caso claro de trechos perdidos ou conteúdo inserido de nenhum motor nestes trechos.

O que escolhemos

• Motor principal: ElevenLabs Scribe v2. O mais completo e fiel nos quatro trechos, sem loops. Suas duas inversões aconteceram nas cenas de grupo; nos dois trechos em estilo de entrevista, não teve nenhuma.
• Motores de referência: AssemblyAI, Soniox, Gemini.

AssemblyAI: foi o único motor a acertar a fala do pedido de desculpas, e foi limpo nos dois trechos em estilo de entrevista.

O Soniox substituiu o Speechmatics. O Speechmatics constava nos registros como "sem inversões". Quando revisitamos os trechos, isso não se sustentou: o Speechmatics estava entre os motores que erraram a fala do pedido de desculpas, e as outras duas alterações acima eram dele. O Soniox não teve, nestes quatro trechos, nenhuma linha vermelha exclusiva dele. Em cada ponto em que o Speechmatics perdeu pontos, o Soniox acertou ou deixou uma lacuna em vez de chutar.

O Gemini entrou em agosto. Zero linhas vermelhas nos dois trechos em estilo de entrevista. Em Morgonstudion, produziu 730 palavras, a transcrição mais completa do grupo, com títulos de livros e nomes intactos.

Evidências contra as nossas escolhas

• O ElevenLabs também inverteu o sentido duas vezes. Ele funciona como motor principal porque os motores de referência conseguem pegá-lo em pontos como esses.
• O Gemini transformou "você destruiu a família" em "eu destruí a família" em Tillsammans.
• Uma varredura automática inicial encontrou o Soniox produzindo 1,8 vez mais palavras que a referência em sueco, com repetição. Uma revisão linha a linha depois não encontrou nenhuma linha vermelha exclusiva do Soniox, mas não esquecemos o sinal.
• Em Babel, o trecho mais limpo, o Speechmatics marcou 32,7% de WER, na mesma faixa mais baixa que os 32,5% do Qwen. O ElevenLabs marcou 44,0%. Ainda assim descartamos o Speechmatics, porque o que contamos é com que frequência o sentido sai errado, e nessa medida ele se saiu pior.

O que ainda está em aberto

Quatro trechos: duas cenas de grupo de filmes, dois segmentos de TV. Nenhum deles é uma entrevista de pesquisa de verdade, e não escolhemos nenhum por sotaques regionais. E casos como a fala de abertura, em que vários motores cometem o mesmo erro e só um acerta, não podem ser corrigidos por maioria de votos. Por isso, em negação e sentido invertido, não seguimos a maioria: sem evidência sólida, a fala é marcada para uma pessoa ouvir.