Sobre

Os modelos do Deepgram são variações de algoritmos de reconhecimento automático de fala (ASR) treinados para converter áudio em texto. Cada modelo é otimizado para cenários específicos.

De forma prática, escolher um modelo do Deepgram é escolher como a IA vai ouvir e interpretar o áudio. Você pode escolher o modelo com base no tipo de áudio, latência desejada e nível de precisão necessário. As diferenças normalmente envolvem:

Precisão vs. velocidade

• Alguns modelos priorizam latência baixa (quase tempo real)

• Outros priorizam máxima precisão (mesmo que mais lentos)

Tipo de áudio

• Conversas (call center, WhatsApp, reuniões)

• Áudio limpo (podcasts, gravações profissionais)

• Áudio ruidoso (rua, carros, ambiente aberto)

Idioma e sotaque

• Modelos podem ser mais ou menos treinados para determinados idiomas ou variações

Recursos adicionais

• Pontuação automática

• Identificação de falantes (diarization)

• Detecção de palavras-chave

• Formatação inteligente (ex: números, datas)

Escolhendo o modelo de transcrição ideal

1. Base

Modelo mais simples e direto. Foi o primeiro grande modelo que a Deepgram lançou e em alguns casos, pode capturar melhor informações exatas como números e códigos, pois faz menos interpretação do áudio.

• O que é: Um modelo de reconhecimento de fala (STT) de primeira geração.

• Uso: É recomendado para volumes massivos de transcrição onde o custo é o fator mais crítico e onde a precisão de timestamps (marcas de tempo) é mais importante do que a legibilidade perfeita do texto.

• Vantagem: Baixo custo e estabilidade.

• Desvantagem: Possui uma taxa de erro (WER - Word Error Rate) significativamente maior que os modelos mais recentes.

✨ Dica: Devido a sua melhor transcrição literal, o modelo base pode ter melhor comportamento para transcrição de valores numéricos.

2. Nova-2 e Nova-2-general

Modelo de segunda geração da Deepgram, projetado para oferecer um equilíbrio consistente entre precisão, velocidade e custo, com melhorias relevantes em relação aos modelos mais básicos.

• Nova-2: Um modelo treinado com um conjunto de dados gigante e variado, focado na melhor relação entre velocidade e precisão do mercado.

• Nova-2-general: É o modelo otimizado para uso geral. Ele foi treinado numa vasta gama de dados (conversas, chamadas, vídeos, reuniões) para ser o mais versátil possível.

• Características:

  • Precisão: Teve uma melhoria de cerca de 18% na precisão em relação ao Nova original.

  • Custo-Benefício: Oferece o melhor equilíbrio entre preço e desempenho para a maioria das empresas.

  • Indicado para:

    • Atendimento ao cliente (voz ou WhatsApp);

    • Reuniões e conversas operacionais

    • Aplicações que precisam de resposta rápida com boa qualidade

  • Limitações:

    • Inferior ao Nova-3 em entendimento semântico mais profundo

    • Pode ter menor desempenho em áudios muito complexos ou críticos

    • Não é o mais indicado quando a máxima precisão é requisito

3. Nova-3 e Nova-3-general

Modelos mais avançado, com melhor entendimento de frases e contexto. Pode interpretar o áudio, o que melhora a leitura geral, mas pode alterar levemente informações muito específicas como números isolados pois são otimizados para entendimento semântico da linguagem

• Nova-3-general: Tal como no antecessor, esta é a versão "generalista" da nova arquitetura.

• Principais Evoluções:

  • Precisão em Streaming: O Nova-3 foi desenhado para reduzir drasticamente os erros em transcrições em tempo real (streaming), sendo cerca de 50% mais preciso que o Nova-2 neste aspecto.

  • São melhores para: Frases completas, Texto fluido, Intenção da fala

  • Robustez ao Ruído: Lida muito melhor com áudios de baixa qualidade ou com muito ruído de fundo.

  • Multilingue: Tem um suporte superior para múltiplos idiomas e detecção automática de língua.

• Desvantagem na interpretação de:

  • Telefones

  • Códigos

  • Valores numéricos