O estado do áudio para IA de voz, outubro de 2026
Um retrato em 2026-10-17: o Null Test pontua onze aprimoradores contra um controle que não faz nada em dezenove condições, o controle está em 14.32% de WER e a nossa linha v8_2 em 16.59%, e o mercado se moveu para o isolamento do falante principal embutido em plataformas e STT.
Atualização de 20 de outubro de 2026: depois deste retrato publicamos um benchmark de conversas ao vivo do v8_2 contra o ai-coustics Quail VF 2.2 S com dois reconhecedores. Com o faster-whisper base.en é empate no agrupado e nenhuma das engines vence o áudio bruto; com a transcrição de entrada do Gemini Live o v8_2 vence o bruto e lidera sobre o VF S no agrupado. O v8_2 lidera com um falante de microfone próximo e um fundo alto, o VF S com um falante distante, na supressão das pausas e em barge-ins falsos. O retrato abaixo não mudou.
Em 2026-10-17, o benchmark Null Test publicado pontua onze aprimoradores contra um controle que não faz nada em dezenove condições; o controle está em 14.32% de WER, nossa engine v8_2 em 16.59%, e nada na tabela superou o controle. No mercado, a mudança notável desde agosto é que o isolamento do falante principal deixou de ser vendido apenas como um SDK separado: aparece dentro do preço de uma plataforma (LiveKit), dentro de uma opção de STT (AssemblyAI) e como lançamento principal (Krisp).
Este é um retrato do estado publicado, sem novas medições. Os números do benchmark vêm de benchmark.json (generatedAt 2026-08-14); os itens de mercado vêm da nossa pesquisa interna compilada em 2026-10-15, e todo número de desempenho de fornecedor ali é uma afirmação da própria empresa.
O benchmark, como publicado
| Backend | WER agregado (19 condições) | Distribuível |
|---|---|---|
| raw | 14.32% | yes |
| passthrough | 14.32% | yes |
| aic-quail | 15.18% | no |
| focus | 16.59% | yes |
| aic-quail-vf | 17.59% | no |
| gtcrn | 20.14% | yes |
| fastenhancer-s | 20.33% | yes |
| fastenhancer-l | 20.36% | yes |
| fastenhancer-b | 20.64% | yes |
| fastenhancer-t | 21.66% | yes |
| fastenhancer-m | 22.13% | yes |
| dfn3-hq | 30.69% | yes |
| dfn3 | 34.04% | yes |
Taxa de erro de palavras agregada, faster-whisper base.en, dez falantes, 190 palavras de referência por condição. O áudio sem tratamento (raw e passthrough, que são o mesmo sinal) está no topo porque venceu. As linhas da ai-coustics (aic-quail, aic-quail-vf) são uma referência proprietária licenciada e não um caminho de código distribuível. O relato linha a linha está em nossa linha está na tabela.
Dois resultados anteriores o enquadram. Nossa análise de telefonia repetiu um número da comunidade, de que um caminho de reamostragem padrão descarta cerca de 16% do áudio do cliente; nosso controle não o sustentou e o retratamos publicamente, mantendo a seção corrigida no lugar. E o conjunto de teste tem dez falantes: separa diferenças de dezenas de pontos, não de um ou dois.
O que mudou no mercado
| Data | Quem | O quê | Tipo de fonte |
|---|---|---|---|
| 2026-08-12 | Krisp | VIVA 2.5 / Voice Isolation 2.5, marketed as primary-speaker focus; company claims | company blog / CEO post |
| 2026-03-11 | ai-coustics + LiveKit | Voice Focus 2.0 in LiveKit Cloud (current plugin bundles Voice Focus 2.2) | company |
| 2026 (date not found) | AssemblyAI | voice_focus option on streaming STT, $0.10/hr add-on | company docs |
| 2026-08 (Aug) | LiveKit | per-second metering introduced | LiveKit community post |
| 2026-09-15 | Gemini 3.8 Live released | company blog | |
| 2026-10-07 | Krisp | FP16 CPU optimisation post: +75% to +99% concurrent calls on supported CPUs (company claim) | company blog |
Todos os números de desempenho ligados a esses itens (por exemplo as reduções de WER que a Krisp afirma) são dos próprios fornecedores e não foram verificados por nós. Dois dados adicionais, ambos do nosso arquivo de pesquisa: o financiamento de capital em IA de voz foi registrado em $1.2B em 25 rodadas de janeiro a setembro de 2026 contra $585M em 34 rodadas um ano antes (Tracxn, consultado em outubro de 2026), e o Google lançou o Gemini 3.8 Live em 2026-09-15, o que importa porque um modelo de áudio nativo não tem STT separado cujo WER um aprimorador possa melhorar.
A consequência que tiramos é estreita: "isolamento de falante" agora é um nome de recurso usado por vários fornecedores, então uma afirmação precisa de uma medição em um conjunto compartilhado para significar algo. Esse é o argumento por um controle público.
O que mediremos a seguir
São planos, não compromissos com data. Primeiro, um segundo reconhecedor, já que o harness oferece suporte a Deepgram e AssemblyAI e a ordem deve se manter em mais de um. Segundo, um conjunto maior de falantes, porque o atual não resolve um ponto ou dois. Terceiro, o falso barge-in medido em eventos de interrupção, não só em falsos alarmes do VAD por quadro como em por que a detecção de turno quebra com o áudio da TV. Quarto, o custo de CPU por fluxo, já que o custo de rodar um modelo está virando parte da competição.
FAQ
Qual é o melhor aprimorador de áudio para IA de voz? No nosso benchmark nenhum superou o áudio sem tratamento agregado em 19 condições; os melhores aprimoradores distribuíveis ficaram a poucos pontos dele. As condições importam mais que o número agregado.
O que é o Null Test? Nosso benchmark aberto: onze aprimoradores, um controle que não faz nada, dezenove condições, publicado com suas configurações.
Os dados de fornecedores deste post são verificados? Não. Os itens de mercado são afirmações de empresas ou relatos independentes conforme indicado, compilados em 2026-10-15.