Olá, aqui é a Sonetho. ⚡
"Para coreano, o reconhecimento de voz da Naver não é melhor?"
A gente ouve isso o tempo todo, mas quase ninguém mediu de verdade.
Então medimos nós mesmos.
Colocamos os mesmos 8 áudios em coreano em três engines e comparamos caractere por caractere com o roteiro original.
📊 Resumo dos resultados (taxa de erro de caracteres CER, quanto menor, melhor)
| Categoria | CLOVA CSR | Scribe v1 | Scribe v2 |
|---|---|---|---|
| Falas emocionais | 3.2% | 1.1% | 1.1% |
| Leitura em estilo de telejornal | 0~0.8% | 0~0.8% | 0~0.8% |
| Mistura de inglês e números | 36.9~37.7% | 8.5~13.8% | 8.5~20.8% |
| Consistência em textos longos | 1.7~7.3% | 0% | 0% |
| Média | 11.4% | 3.2% | 4.0% |
Primeiro, em defesa do CLOVA.
Em coreano puro, o CSR também é praticamente nota máxima.
Na leitura em estilo de telejornal, as três engines empataram na faixa de 0%.
Se você só precisa desse cenário, qualquer uma serve.
💥 O jogo virou na mistura com inglês
No momento em que marcas e números entram nas frases em coreano, a diferença dispara.
Copiamos abaixo algumas saídas reais do CSR, sem retoques.
| Texto correto | Saída do CLOVA CSR |
|---|---|
| ChatGPT | "채취 pt" (sílabas coreanas sem sentido mais "pt") |
| Gemini | "나재민이", "개 미니" (parece nome coreano; "mini cachorro") |
| 일레븐랩스 (ElevenLabs em coreano) | "11 x" |
| 약 15달러 수준 ("cerca de 15 dólares" em coreano) | "약 시부터 여수 중" (sequência coreana sem sentido) |
Se o seu áudio mistura palavras em inglês, como legendas do YouTube, conteúdo de tecnologia ou atas de reunião de hoje em dia, essa diferença vira trabalho de correção na mesma medida.
O Scribe preservou ChatGPT, Gemini e API na forma original nesses mesmos trechos.
🧐 O Scribe também não foi perfeito
Sendo honestos, divulgamos os erros do Scribe também.
Ele tropeça em nomes próprios que vê pela primeira vez.
Escreveu "sonetho.com" como "sonto.com" e, em uma amostra, ouviu "11 dólares" como "1 dólar".
Se os números envolvem dinheiro, a revisão é obrigatória com qualquer engine.
A diferença entre v1 e v2 também rendeu.
O v2 normaliza a grafia por conta própria: "22 dólares" vira "$22".
No nosso critério de avaliação (CER) isso conta como erro, mas o significado está correto.
Se a forma literal importa, v1; se o objetivo são legendas e documentos fáceis de ler, v2.
O v2 também tem versão de streaming em tempo real.
💰 E quanto custa?
ElevenLabs Scribe: $0.22 por hora (no modo batch).
Até o plano gratuito inclui 4.5 horas por mês.
O Starter de $6 inclui 27 horas e o Creator de $22, 100 horas, então a maioria dos projetos pessoais cabe dentro do plano.
CLOVA Speech Recognition (CSR): cobrança por uso, arredondada para cima em blocos de 15 segundos.
Confira o valor exato na calculadora de preços da Naver Cloud.
Detalhe: o CSR é uma API para falas curtas e tem limite de 60 segundos.
Para gravações longas e separação de falantes é preciso usar outro produto, o CLOVA Speech.
🤔 Então, qual usar?
CLOVA CSR é a escolha certa quando
Você processa falas curtas quase 100% em coreano.
O projeto exige infraestrutura de nuvem na Coreia.
O time já usa o ecossistema Naver Cloud.
ElevenLabs Scribe é a escolha certa quando
Você legenda ou transcreve conteúdo que mistura inglês e coreano.
O áudio é de TI ou marketing, cheio de nomes de marca.
Dá para conferir a qualidade você mesmo com as 4.5 horas grátis antes de decidir.
Testar o ElevenLabs Scribe grátis →
🧪 Como medimos (reproduzível)
Sintetizamos roteiros de 4 categorias (falas emocionais, estilo telejornal, mistura de inglês e números, texto longo) com dois TTS de alta qualidade (Ara Pro do CLOVA e Hyuk da ElevenLabs), gerando 8 áudios.
Cada áudio passou pelas três engines e foi comparado caractere por caractere com o roteiro original (CER).
Também assumimos os limites.
Como a entrada é voz sintética sem ruído, as condições são ideais; com fala humana real ou ambiente barulhento, os números podem mudar.
Alguns erros podem ter vindo da própria pronúncia do TTS.
❓ Perguntas frequentes (FAQ)
Q. Qual é o STT mais preciso para coreano?
Neste teste, o Scribe v1 teve a menor taxa média de erro de caracteres: 3.2%.
Mas em coreano puro e formal o CLOVA CSR empata na faixa de 0%, então o critério de escolha é se o seu áudio mistura inglês.
Q. Qual a diferença entre CLOVA Speech Recognition (CSR) e CLOVA Speech?
O CSR é uma API para falas curtas de até 60 segundos; o CLOVA Speech é um produto separado que suporta gravações longas e separação de falantes.
Este teste usou o CSR.
Q. Scribe v1 ou v2?
Se preservar a grafia literal é importante, v1; se o objetivo é uma saída legível, com símbolos de moeda e afins normalizados automaticamente, v2.
O v2 também suporta streaming em tempo real ($0.39 por hora).
A parte prática de transcrição de entrevistas e separação de falantes continua no comparativo de STT: ElevenLabs vs Whisper vs Deepgram.
Até o próximo post. Aqui foi a Sonetho. ⚡