Duas Filosofias do Reconhecimento de Fala
OpenAI Whisper e Deepgram representam duas abordagens distintas para construir um sistema de reconhecimento de fala. Whisper foi projetado como um modelo universal multilíngue treinado em um vasto corpus de áudio da internet. Deepgram foi construido como um produto primeiro focado em API, otimizado para velocidade e integração de desenvolvedores. Ambos são excelentes. Nenhum é universalmente melhor.
Compreender qual se adequa a um caso de uso particular requer examinar a arquitetura, benchmarks, modelo de preços, e implicações práticas para diferentes cargas de trabalho.
Arquitetura
Whisper
Whisper é um modelo transformer codificador-decodificador treinado por OpenAI em 680.000 horas de áudio multilíngue raspado da web. A arquitetura processa áudio como recursos de espectrograma mel-log, os passa por um codificador convolucional, e decodifica para texto usando um decodificador de modelo de linguagem.
O modelo está disponível em múltiplos tamanhos: tiny, base, small, medium, large-v2, e large-v3. O modelo large-v3 usado por Telvr é o mais preciso, mas também o mais pesado — executar localmente requer GPU capaz ou tempo significativo de CPU.
Uma característica chave: Whisper foi treinado em áudio diverso e barulhento da internet. Isso lhe dá robustez notável para sotaques, ruído de fundo, e fala informal. A desvantagem é que não é o modelo mais rápido e não oferece a arquitetura de streaming/tempo real que alguns casos de uso requerem.
Deepgram
Deepgram construiu sua própria arquitetura de aprendizado profundo end-to-end otimizada para transcrição de streaming em tempo real. Seu modelo Nova-3 é treinado especificamente para inglês falado (com suporte multilíngue forte adicionado ao longo do tempo) e é arquiteturalmente projetado para produzir saídas de baixa latência token por token.
O modelo de Deepgram não está disponível como código aberto. Funciona apenas via API de Deepgram ou em deployments empresariais auto-hospedados de Deepgram. Os dados de treinamento, embora extensivos, são mais curados do que o corpus de escala de internet de Whisper.
Benchmarks de Precisão
Comparações de precisão são notoriamente dependentes de contexto. Ambos os modelos funcionam bem; as diferenças emergem em condições específicas.
Word Error Rate (WER) em benchmarks padrão:
- Whisper large-v3 e Deepgram Nova-3 são competitivos em benchmarks ingleses padrão, ambos alcançando WER abaixo de 5% em áudio limpo.
- Whisper large-v3 supera Nova-3 em fala fortemente acentuada e entrada em múltiplos idiomas.
- Nova-3 supera Whisper em casos de uso de streaming onde resultados parciais são necessários antes que o enunciado seja completo.
Condições do mundo real onde Whisper se destaca:
- Fala em múltiplos idiomas (code-switching)
- Inglês não nativo com sotaques fortes
- Vocabulário técnico sem treinamento
- Ruído de fundo de fontes variadas (ruas, cafés)
Condições do mundo real onde Deepgram se destaca:
- Áudio de centro de contato com perfis de falantes conhecidos
- Streaming em tempo real onde latência de primeiro token importa
- Inglês americano em ambientes limpos ou semi-limpos
- Diarização de falante (identificar quem falou o quê)
Velocidade e Latência
Whisper (via API Groq, como usado por Telvr): Menos de 1 segundo apenas para o passo de transcrição. O hardware de inferência de Groq foi propositalmente construído para modelos transformer, permitindo que Whisper large-v3 execute muito mais rápido do que inferência local de GPU.
Whisper (local, Apple M3): 3-6 segundos para um clipe de áudio de 30 segundos. Modelos menores funcionam mais rápido.
Deepgram Nova-3 (streaming): 300-500ms para aparecimento da primeira palavra em modo streaming. Para transcrição em lote de um arquivo de áudio completo, latência total é similar a Whisper via API.
A capacidade de streaming é a vantagem de destaque de Deepgram para aplicações em tempo real. Para fluxos de trabalho de push-to-talk (registre, pare, obtenha resultado), a diferença de latência entre Whisper via Groq e Deepgram é mínima na prática.
Suporte a Idiomas
Whisper large-v3: Suporta 99 idiomas. Desempenho degrada graciosamente para idiomas de baixo recurso em vez de falhar completamente. Detecção automática de idioma é integrada.
Deepgram Nova-3: Suporte forte em inglês, com idiomas adicionais adicionados ao longo do tempo. A partir de 2026, aproximadamente 35 idiomas com níveis de qualidade variados. Precisão em inglês é excelente; muitos outros idiomas ainda estão abaixo do nível de Whisper.
Para fluxos de trabalho multilíngues, Whisper é a escolha clara. Para aplicações principalmente em inglês onde velocidade e streaming importam, Deepgram é competitivo.
Preços
Whisper (OpenAI API): $0,006 por minuto. Sem opção de streaming.
Whisper (via API Groq): Varia por tier. Inferência rápida, preço competitivo para cargas de trabalho de desenvolvedores.
Deepgram Nova-3: Começando em $0,0043 por minuto para pay-as-you-go. Descontos de volume disponíveis. Streaming incorre a mesma taxa.
Custo de uso de Telvr: EUR 0,03 por minuto, que reflete o custo combinado de transcrição mais processamento de enriquecimento por IA. API bruta de Deepgram ou Whisper é mais barata por minuto, mas essas são APIs brutas sem a camada de aplicação.
Experiência de Desenvolvedor
Whisper (OpenAI API):
- Endpoint REST simples, upload de arquivo de áudio padrão
- Sem streaming
- Limites de tamanho de arquivo de áudio (25MB gratuito, 100MB pago)
- Tempo de resposta adequado para fluxos de trabalho de push-to-talk, não para legendas em tempo real
Deepgram:
- API WebSocket para streaming em tempo real
- API REST para arquivos em lote
- Mais recursos: diarização de falante, boosting de palavra-chave, vocabulário customizado
- Documentação de desenvolvedor melhor para casos de uso em tempo real
Whisper Auto-hospedado:
- Totalmente código aberto, deployável em Docker
- Sem custos de API
- Requer infraestrutura de GPU
- Flexibilidade máxima para pipelines customizados
Qual Usar para Qual Caso de Uso
Apps push-to-talk desktop: Whisper large-v3 via uma API de inferência rápida. A precisão e suporte a idiomas o tornam a melhor escolha, e latência é comparável a Deepgram uma vez que você considere o pipeline inteiro.
Legendagem em tempo real / transcrição ao vivo: API de streaming de Deepgram. A latência de sub-500ms do primeiro token é necessária para legendas legíveis.
Áudio de centro de contato / telefone: Deepgram com vocabulário customizado e recursos de diarização de falante.
Aplicações multilíngues: Whisper. Nenhuma alternativa iguala sua cobertura de 99 idiomas com detecção automática.
Deployment privado sensível, local: Whisper auto-hospedado. A opção auto-hospedada de Deepgram existe mas é apenas para empresas.
Transcrição em inglês de alto volume sensível a custo: Deepgram Nova-3 a $0,0043/min supera marginalmente o $0,006/min do OpenAI.
O Que Telvr Usa
Telvr usa Whisper large-v3 via API de inferência do Groq. A escolha foi deliberada: large-v3 oferece a precisão mais alta entre idiomas, o hardware de Groq traz latência para menos de um segundo no passo de transcrição, e detecção automática de idioma significa que usuários não precisam configurar nada ao trocar de idiomas.
A camada de enriquecimento que segue — pós-processamento por IA para limpar saída, formatar emails, estruturar notas — não é parte de Whisper ou Deepgram. É um passo de LLM separado que transforma transcrição bruta em texto formatado e utilizável.
Conclusão
Whisper e Deepgram não são concorrentes diretos tanto quanto ferramentas diferentes para trabalhos diferentes. Whisper large-v3 é o líder de precisão para áudio real-mundo multilíngue e barulhento. Deepgram Nova-3 é o líder de velocidade e streaming para aplicações em tempo real focadas em inglês.
Para uma ferramenta de produtividade desktop onde qualidade importa mais do que streaming em tempo real, Whisper large-v3 via uma API de inferência rápida é a fundação melhor. Para aplicações onde você precisa que palavras apareçam enquanto o usuário fala, a arquitetura de streaming de Deepgram é propositalmente construida para esse caso de uso.