8 kHz versus 16 kHz para agentes de voz: o que os dados de WER dizem
No nosso teste de banda estreita, um trecho a 8 kHz custa ao reconhecedor 5.79% de WER em fala limpa contra 4.74% a 16 kHz, e a diferença cresce com o ruído. Nenhum caminho de aprimoramento que medimos, 8 kHz nativo ou com reamostragem para cima, superou o áudio de 8 kHz sem tratamento.
No nosso teste, 8 kHz custa ao reconhecedor 5.79% de WER em fala limpa contra 4.74% a 16 kHz, e a diferença cresce com o ruído: cerca de um ponto em áudio limpo, vários pontos a 0 dB de SNR. Nenhum dos caminhos de aprimoramento que medimos no trecho de 8 kHz recuperou isso, então a resposta prática é manter a taxa que a operadora entrega e não reamostrar para cima por causa de um modelo.
Todos os números vêm dos artefatos do Null Test, benchmark.json e a execução de banda estreita separada (ambos datados de 2026-08-14), pontuados com faster-whisper base.en. Tratamos o lado da operadora em 8 kHz é onde a IA de voz quebra; este post pergunta apenas o que o WER diz.
Mesmo nível de ruído, duas taxas de amostragem
| Condição (áudio bruto, sem aprimoramento) | WER a 16 kHz | WER a 8 kHz | Diferença (pp) |
|---|---|---|---|
| clean | 4.74% | 5.79% | +1.05 |
| SNR 10 dB | 6.32% | 10.00% | +3.68 |
| SNR 0 dB | 11.05% | 16.32% | +5.26 |
Medido em 2026-08-14. A coluna de 16 kHz é a matriz de 19 condições; a de 8 kHz é a execução de banda estreita (60 clipes, 190 palavras de referência por condição). Uma palavra de referência vale 0.53 pp em uma única condição, então a diferença de 1.05 pp em fala limpa são duas palavras. Lemos a diferença a 0 dB de SNR como real e a de fala limpa como pequena.
O que acontece ao adicionar um modelo ao trecho de 8 kHz
| Caminho a 8 kHz | WER | versus raw8k (pp) |
|---|---|---|
| raw8k (no processing) | 11.14% | 0.00 |
| soxr_vhq resample only | 10.96% | -0.18 |
| aic-quail-l-8khz (native 8 kHz) | 11.05% | -0.09 |
| aic-quail, upsampled (soxr_vhq) | 11.75% | +0.61 |
| gtcrn, upsampled (soxr_vhq) | 16.58% | +5.44 |
| fastenhancer-b, upsampled (soxr_vhq) | 17.63% | +6.49 |
Medido em 2026-08-14, 1,140 palavras de referência por linha, então uma palavra são 0.09 pp. Os pesos nativos de 8 kHz da ai-coustics (referência proprietária, apenas para benchmark) empatam com o áudio sem tratamento: 11.05% contra 11.14%. Reamostrar para cima até um modelo de 16 kHz custa mais: 11.75% com o modelo de 16 kHz do mesmo fornecedor, 16.58% com o GTCRN. Modelos de 16 kHz alimentados com sinal de banda estreita são solicitados a trabalhar com largura de banda que não existe.
O que tiramos disso
Primeiro, a taxa de amostragem é uma alavanca menor que o ruído na linha: a 10 dB de SNR a penalidade de 8 kHz é de poucos pontos, enquanto as condições de voz concorrente da matriz de 16 kHz movem o WER em dezenas de pontos. Segundo, o reamostrador não é o vilão: o controle de ida e volta não mostrou perda por reamostragem, e por isso retratamos essa afirmação. Terceiro, se você adicionar aprimoramento em um trecho telefônico, meça contra o áudio bruto de 8 kHz nas suas próprias chamadas, porque nas nossas nada o superou.
O reconhecedor importa: um modelo maior terá números absolutos menores, e o harness consegue pontuar outros reconhecedores para conferir a ordem.
FAQ
16 kHz sempre vence 8 kHz no reconhecimento de fala? Nas nossas linhas comparáveis, sim: 1.05 pp em fala limpa e mais com ruído. Não testamos um reconhecedor treinado só com dados de banda estreita.
Devo reamostrar áudio de 8 kHz para cima antes do STT? Nossos caminhos com reamostragem e um modelo na frente foram piores que os 8 kHz brutos. Não medimos reamostragem sem modelo além do controle apenas de reamostragem, que empatou com o áudio bruto.
Existe um modelo de isolamento de falante a 8 kHz? Na nossa execução, a ai-coustics foi a única fornecedora com pesos de aprimoramento de banda estreita; as demais não têm checkpoint de 8 kHz. É uma afirmação sobre o nosso conjunto de teste, em 2026-08-14.