Inferentium.AI
Pegar chave de API
Ficha técnica

Nossos modelos, medidos.

O que cada modelo faz, quanto custa em latência e quão certo ele acerta — por idioma, a partir de benchmarks que a gente roda de novo em vez de números que a gente repete.

inferentium-stt-1

Pré-gravado

Nossa pipeline de transcrição para arquivos: uma requisição entra, texto com pontuação e maiúsculas sai. Detecta o idioma falado, agrupa em lote nas nossas GPUs e cobra por segundo de áudio.

Idiomas
25
Áudio de entrada
wav · mp3 · m4a · flac · ogg/opus · webm
Taxa de amostragem
any (resampled to 16 kHz)
Upload máximo
500 MB
Devolve
text · language · duration
Timestamps por palavra
roadmap
Identificação de falantes
up to 4 speakers (add-on)
Retenção de áudio
none
Endpoints
  • POST /v1/audio/transcriptions
  • POST /v2/transcribe (Sync, ≤ 2 min)
  • POST /api/v1/stt/transcribe/stream (SSE)
  • POST /api/v1/stt/jobs (async + webhook)
  • POST /v2/transcript (AssemblyAI-compatible)

inferentium-stt-1-realtime

Tempo real

A mesma pipeline conduzida ao vivo por WebSocket: texto parcial enquanto a pessoa ainda fala e um texto final por fala, quando ela para.

Idiomas
25
Áudio de entrada
PCM16 mono, 16 kHz frames
Parciais
every 400 ms
Segmentação
VAD, per utterance
Devolve
partial · final · end
Cobrança
per second of audio received
Retenção de áudio
none
Endpoints
  • WSS /ws/realtime (short-lived upload token)
Acurácia

Taxa de erro por palavra, idioma a idioma.

Acurácia é propriedade de um idioma, não de uma logo. Você está lendo esta página em pt-BR, então é essa a tabela que vem primeiro.

pt-BR

Seu idiomaFLEURS pt-BR (test) · 2026-09-10
Duração do áudioWERCERp50p95Velocidade
Clipe curto (5-10 s)4,8%0,8%0,77 s0,8 s9×
Trecho de ligação (50-90 s)3,2%0,9%1,43 s1,66 s49×
Reunião (9-11 min)9,4%6,6%4,82 s5,46 s124×

en-US

FLEURS en-US (test) · 2026-09-11
Duração do áudioWERCERp50p95Velocidade
Clipe curto (5-10 s)2,1%0,5%0,94 s1,28 s6×
Trecho de ligação (50-90 s)——1,92 s1,98 s37×
Reunião (9-11 min)——5,15 s5,44 s120×

Um traço quer dizer que ainda não publicamos aquele número. Estamos remedindo o inglês acima de 60 segundos depois de uma mudança em como o áudio longo é fatiado; a latência e a vazão da mesma linha não mudam. Preferimos mostrar um traço a mostrar um número em que não confiamos.

Tempo real

Como o ao vivo se sente.

Medido numa sessão WebSocket de verdade, com áudio empurrado no ritmo da fala em quadros de 100 ms, de São Paulo.

MétricaMedianaO que significa
Primeira palavra776 msDo início da fala até o primeiro texto na tela
Atraso do parcial240 msO quanto o texto corrente fica atrás de quem fala
Atraso do final837 msDo fim de uma fala até o texto final, já corrigido
Atraso do final (p95)965 msPior caso em 19 de cada 20 falas
WER4,9%No mesmo áudio da tabela de pré-gravado

FLEURS pt-BR (test), medido em 2026-09-10. Os segundos cobrados são o áudio enviado mais uma cauda de 1,5 s.

Método

Como cada número daqui foi produzido.

  • Áudio de benchmark público (FLEURS) com as transcrições de referência que ele traz, concatenado em três classes de duração — o mesmo texto é avaliado a 5 segundos e a 10 minutos.
  • Medido de São Paulo contra a nossa frota em us-central1, então a latência inclui a internet: cerca de 130 ms de ida e volta que um cliente nos Estados Unidos não paga.
  • O upload é Opus a 48 kbps em modo audio, o que um bom cliente envia. Bitrates menores e o modo voip custam de 2 a 3 pontos de WER em arquivos longos.
  • As taxas de erro são a média de todas as execuções e a latência é a mediana, sobre texto normalizado do mesmo jeito para todo provedor com quem a gente se compara.
  • Publicamos o que medimos, inclusive onde está pior do que gostaríamos. Os números mudam quando a pipeline muda.
Começar de graça →Ler a documentaçãoPerguntar sobre o seu áudio