Taxa de erro de palavras (WER): conceitos-chave, fórmula e usos

Em teoria, a taxa de erro de palavras (WER) é uma métrica para determinar a precisão de uma ferramenta de Reconhecimento Automático de Fala (ASR). Uma WER baixa significa que sua transcrição final é mais precisa, enquanto uma taxa de erro maior indica informações transcritas incorretamente. 

Na prática, a WER pode ser a diferença entre um software de transcrição médica registrar que um paciente precisa de ‘quinze miligramas’ ou de ‘cinquenta miligramas’ de um medicamento. É a diferença entre uma ferramenta de suporte que transcreve com precisão as necessidades de um cliente e outra que deixa seu usuário frustrado.

Neste artigo, vamos explicar o que é WER, como calculá-la e como usá-la para comparar seu próprio provedor de ASR.

Resumo

• A taxa de erro de palavras contabiliza três tipos de erro: substituições, exclusões e inserções, divididos pelo número de palavras na transcrição de referência.
• A fórmula da WER é WER = (S + D + I) / N. 
• Pontuações menores de WER significam que o resultado final é mais preciso.
• Uma WER abaixo de 5% é uma boa referência, embora transcrições jurídicas ou médicas possam exigir uma taxa de erro de palavras ainda menor.
• A WER trata todos os erros como iguais, o que significa que não é uma métrica perfeita para leitura contextual. Métricas emergentes, como a Taxa de Erro de Palavras Semântica (SWER), buscam resolver isso medindo se o significado de uma fala foi preservado.

O que é taxa de erro de palavras?

A taxa de erro de palavras (WER) é a métrica padrão para medir a precisão do reconhecimento de fala em modelos de Speech to Text. Ela representa, em uma escala de 0 a 1 (0,8 representaria uma taxa de erro de 80%), o que um sistema de STT erra ao transcrever, considerando substituições, exclusões e inserções.

Uma substituição ocorre quando uma palavra é trocada por outra incorreta. Uma exclusão ocorre quando uma palavra é totalmente omitida. Por fim, uma inserção ocorre quando a transcrição inclui uma palavra que nunca foi dita. A WER usa esses três componentes e os divide pelo número de palavras na transcrição correta, gerando um número que você pode usar para comparar diferentes fornecedores.

Veja a fórmula da WER por extenso:

WER = (S + D + I) / N

Em que:

• S: Substituições (a palavra está incorreta)
• D: Exclusões (a palavra está ausente)
• I: Inserções (há uma palavra adicional)
• N: Total de palavras na transcrição de referência

Você pode expressar a WER como decimal ou porcentagem. Quanto menor a WER, melhor a pontuação, pois o modelo cometeu menos erros ao transcrever. 

Na prática, uma WER de 10% significa que aproximadamente 1 em cada 10 palavras na transcrição da sua reunião precisa de uma segunda revisão. 

Por que a taxa de erro de palavras é importante em sistemas de reconhecimento de fala?

A taxa de erro de palavras oferece uma métrica objetiva que as equipes podem usar para comparar diferentes fornecedores. Ela vai além das promessas de marketing e mostra claramente a precisão de um modelo de reconhecimento de fala. Ao se basear em evidências, qualquer empresa que esteja avaliando suas opções consegue ver com clareza quais modelos lideram atualmente esse segmento.

Fonte: Artificial Analysis acessado em 10 de julho de 2026.

Em julho de 2026, uma pesquisa independente da Artificial Analysis classificou o Scribe v2 da ElevenLabs como o modelo com a menor WER do setor no conjunto de dados AA-AgentTalk para modelos de transcrição não streaming, com uma WER de 1,5%.

Além da avaliação de fornecedores, a WER tem impacto real no nível do produto. Um software de transcrição médica com WER de 12% pode introduzir erros críticos nos prontuários dos pacientes. Transcrições incorretas em uma chamada de suporte ao cliente podem levar a falhas posteriores, como análise de sentimento imprecisa ou categorização inadequada.

Além desses problemas específicos de cada caso de uso, quando os sistemas de ASR falham, as pessoas mais afetadas geralmente são aquelas para quem a transcrição é a única forma de acessar conteúdo falado. O World Wide Web Consortium oferece documentação abrangente sobre os padrões mínimos esperados por iniciativas de acessibilidade para mais contexto.

Como calcular a taxa de erro de palavras: fórmula e exemplo

Calcular a taxa de erro de palavras é simples quando você conhece as etapas. Como vimos acima, a fórmula usada é WER = (S + D + I) / N. Todos os termos foram descritos acima, mas, como referência rápida, eles são substituições, exclusões, inserções e N, o total de palavras na transcrição.

Veja como calcular a WER:

1. Crie uma transcrição de referência: Use transcrição e verificação humanas para produzir uma transcrição precisa de um clipe de áudio. 
2. Use sua ferramenta de STT: Use uma plataforma de ASR para transcrever o clipe de áudio e gerar uma transcrição por IA que você usará como teste.
3. Alinhe as duas versões: Use programação dinâmica, especificamente o algoritmo de Levenshtein, para encontrar o número mínimo de edições. Vamos detalhar esse algoritmo em uma seção posterior.
4. Aplique a fórmula: Conte o número total de erros na versão gerada por IA em relação à cópia verificada por humanos e use WER = (S + D + I) / N para calcular a WER exata.

Isso parece bastante técnico no papel, mas na prática é muito mais fácil. Veja um exemplo para mostrar o que queremos dizer.

Transcrição de referência: Mrs. Dalloway said she would buy the flowers herself.

Resultado do ASR: Miss Dalloway said she would buy flowers herself.

Se calcularmos o total de erros, temos 1 S e 1 D em um total de 9 palavras. 

Usando a fórmula, temos: WER = 2 / 9 = 0,222 = 22,2%. 

Como calcular a taxa de erro de palavras com Python

Embora o método manual funcione muito bem, você pode economizar tempo calculando a WER com Python. A biblioteca jiwer faz tudo isso de forma totalmente automática.

Usando a documentação do jiwer, você pode instalar o pacote, desenvolvido especificamente para avaliar um sistema de ASR e gerar métricas fundamentais como a WER. Depois de baixá-lo, use o código abaixo para calcular rapidamente a WER com Python:

from jiwer import wer

reference = "the quick brown fox jumps over the lazy dog"
asr = "the quick brown fox leaps over the last lazy dog"

print(wer(reference, asr))  # 0.222

Observe que, neste exemplo, o resultado do ASR difere da referência original em dois pontos. A palavra ‘jumps’ foi transcrita incorretamente como ‘leaps’ (uma substituição), e ‘last’ foi inserida antes de ‘lazy’ (uma inserção). Com dois erros nas nove palavras da transcrição de referência, o resultado é uma Taxa de Erro de Palavras (WER) de 0,222, ou 22,2%.

Comparando a taxa de erro de palavras com outras métricas de reconhecimento

Embora a WER seja a métrica padrão para calcular a precisão em um ASR, há outras ferramentas que você pode usar. Por exemplo:

• Taxa de Erro de Caracteres (CER): Assim como a WER, mede a precisão da transcrição no nível dos caracteres, em vez do nível das palavras. É ideal para idiomas que não têm limites claros entre palavras (scriptio continua) ou tarefas sensíveis à ortografia.
• Taxa de Erro de Correspondência (MER): Mede a proporção de erros de transcrição, tratando substituições, inserções e exclusões de forma ligeiramente diferente da WER. Ela se concentra na proporção de erros em uma frase.
• Informação de Palavras Perdida (WIL): Uma estimativa de quanto da informação original foi perdida durante a transcrição, fornecendo uma medida de inteligibilidade em vez da contagem direta de erros da WER.
• Taxa de Erro de Embedding (EmbER): Oferece uma análise semântica entre as transcrições. Vai além da WER ao revelar a distância semântica entre a palavra correta e a transcrição incorreta.

Cada uma dessas métricas é mais adequada para um cenário diferente. Veja uma tabela de referência:

Exemplos de distância de Levenshtein: a matemática por trás da WER

A taxa de erro de palavras é, na verdade, uma medida da distância entre o original e o resultado hipotético. Para entender essa diferença matematicamente, usamos a distância de Levenshtein.

A distância de Levenshtein conta o número mínimo de edições de uma única unidade necessárias para transformar uma sequência em outra. No caso da WER, isso se refere especificamente a substituições, inserções e exclusões. Por exemplo, se quiséssemos transformar Cat em Mat, seria necessário trocar a letra ‘C’ por ‘M’, resultando em uma distância de Levenshtein de 1.

Embora isso apareça muito mais em cálculos de CER, a WER aplica a distância de Levenshtein ao nível das palavras. Cada unidade é uma palavra inteira, em vez de um caractere, e a distância real mede quantas edições de palavras seriam necessárias para transformar nosso resultado de ASR no original preciso. 

Criamos uma matriz em que cada célula representa a distância total entre a transcrição original e a transcrição de ASR. A distância de Levenshtein preenche a matriz do canto superior esquerdo ao canto inferior direito, e a célula final fornece o número total de edições no nível das palavras. Dividir esse número por N resulta na sua WER. 

Embora essa matriz geralmente seja calculada com caracteres individuais, aqui está uma versão ampliada do nosso exemplo anterior para simplificar. 

Erros comuns e equívocos sobre a taxa de erro de palavras

Especialmente à medida que as APIs de STT se tornam mais acessíveis e os softwares de ASR passam a ser uma parte comum de conjuntos mais amplos de agentes, veremos muitas comparações entre ferramentas diferentes. 

Antes de calcular suas próprias taxas de erro de palavras, há alguns problemas e equívocos comuns que você deve entender.

• Todos os erros são iguais: A WER trata todos os erros como igualmente importantes. Embora isso possa ser aceitável em muitos contextos, alguns casos de uso tornam essa abordagem inaceitável. Por exemplo, em um hospital, um erro de 5%, considerado uma boa WER, ainda pode ser inaceitável, pois até um ou dois erros podem colocar um paciente em risco. Essa limitação levou ao desenvolvimento de métricas mais recentes, como a Taxa de Erro de Palavras Semântica (SWER), que busca medir se o significado de uma frase foi preservado, em vez de verificar se cada palavra corresponde exatamente. 
• A WER pode ultrapassar 100%: Embora tenhamos afirmado anteriormente que a WER varia entre 0 e 1, você ainda pode encontrar uma WER acima de 100%. Isso acontece porque o erro de inserção pode criar mais palavras do que o total da transcrição original. Um caso comum é transcrever ‘I’m’ como ‘I am’, quando uma palavra se torna duas. 
• Tecnicamente, uma WER menor nem sempre é melhor: Uma WER de 5% é, no papel, melhor que uma WER de 10%. Mas, se os erros que contribuíram para esses 5% mudaram significativamente o contexto de uma frase, enquanto os dos 10% não mudaram, a história completa não está sendo representada. O contexto continua sendo muito importante, e métricas como a SWER estão sendo desenvolvidas justamente para capturar esse impacto semântico.

Em 2024, a Apple publicou um estudo interessante que explorou o último ponto acima. Quando humanos avaliaram um cálculo de WER de 9,4%, analisando se o ASR era legível ou não, atribuíram à mesma passagem uma WER de apenas 2,2%. No exemplo testado, os humanos consideraram os ‘erros’ insignificantes em muitos casos, gerando uma WER humana mais de 4 vezes mais tolerante que a das máquinas.

Referências de WER no setor

A WER ideal depende muito do setor ou caso de uso em que você utiliza a tecnologia de ASR. Embora <5% seja uma referência do setor para WER, segmentos específicos, como transcrição médica ou jurídica, exigem uma taxa muito menor. 

No estudo de julho de 2026 da Artificial Analysis, o Scribe v2 da ElevenLabs obteve uma WER de 1,5%. No entanto, é importante lembrar que essas estatísticas normalmente são realizadas tendo o inglês como idioma principal. A tecnologia de STT pode não ser tão eficaz em outros idiomas. 

A documentação da ElevenLabs detalha as faixas gerais de WER para todos os idiomas compatíveis com o Scribe v1 e o Scribe v2.

Comece a usar a ElevenAPI para aumentar a precisão do reconhecimento

Quando você cria um aplicativo ou produto em que a qualidade da transcrição é importante, a diferença entre uma API de ASR bem escolhida e uma mediana aparece primeiro na sua WER e, depois, na experiência dos seus usuários. 

O ElevenLabs Scribe é a camada de Speech to Text acessível pela ElevenAPI. Além de mais de 90 idiomas e uma WER líder do setor, ele oferece recursos como diarização de falantes, marcações de tempo por palavra, prompts de termos-chave e detecção de entidades.

Explore a documentação da ElevenLabs para saber mais sobre a ElevenAPI ou comece criando sua conta hoje mesmo. 

Perguntas frequentes sobre taxa de erro de palavras