WisprFlow, Whisper e GigaAM: quem reconhece melhor a fala mista em russo e inglês

O ditado por voz deixou de ser apenas um complemento prático. Para quem conversa com LLMs, trabalha no Cursor e dita comandos misturando russo e inglês, ele está virando uma interface completa. Em uma nova análise, o autor comparou aplicativos e modelos que precisam entender frases como «объясни на русском» («explique em russo»), «открой в Cursor» («abra no Cursor») e «проверь, что deploy прошёл» («verifique se o deploy foi concluído») e mostrou quais soluções realmente servem para esse tipo de fala mista em 2026.

O material se baseia em seis meses de testes práticos. O foco não é a precisão abstrata de reconhecimento por idioma, mas um cenário mais difícil, familiar a desenvolvedores, analistas e usuários frequentes de IA: alternar rapidamente entre russo e inglês na mesma frase, transcrever corretamente nomes de produtos, termos e elementos de código e entregar pontuação clara sem longo pós-processamento. É nesse ponto que até sistemas fortes costumam falhar: palavras em inglês viram cirílico, comandos perdem o sentido e o texto ditado exige correção manual.

Na parte de aplicativos, o autor comparou cinco opções de categorias diferentes: WisprFlow, SpeakFlow, Handy, OpenWhispr e SuperWhisper. A amostra inclui soluções em nuvem e locais, produtos pagos e ferramentas de código aberto. Uma das principais conclusões da análise é que o WisprFlow, que roda na nuvem, já pode ser substituído por uma alternativa gratuita de código aberto sem perda perceptível de qualidade. Para o usuário, isso não é só economia na assinatura, mas também mais controle sobre privacidade, velocidade e configurações de um pipeline local. O autor também cita sua contribuição ao ecossistema: um de seus pull requests foi aceito na branch principal de um projeto de código aberto.

A parte sobre os modelos não é menos importante. O benchmark incluiu Whisper Large v3, Whisper Turbo, GigaAM v3 do Sber, Canary 1B v2 da NVIDIA e Parakeet V3. O Whisper continua sendo a referência nesse tipo de comparação, mas o artigo mostra que o resultado real depende não só do modelo, mas de como ele é executado. O autor comparou Whisper Turbo e Large v3 em uma RTX 5070 Ti e obteve um resultado inesperado: na arquitetura Blackwell, a execução via Vulkan foi cerca de 50% mais rápida do que via CUDA. Para o uso local, é um detalhe prático importante, pois a diferença afeta diretamente a latência, a fluidez do ditado e a escolha do stack.

As alternativas ao Whisper também já não parecem puro experimento. Segundo o autor, GigaAM v3 e Canary 1B v2 chegam perto do nível do líder em vários cenários, mas seus pontos fracos aparecem na fala mista, quando uma palavra em inglês não deve ser traduzida nem transliterada, e sim preservada sem distorção. Um exemplo marcante da análise é o caso em que Gemini vira «Jemni» (escrito em cirílico pelo modelo).

Em uma anotação comum, isso é chato, mas tolerável; no trabalho por voz com ferramentas de IA, IDEs, nomes de bibliotecas e comandos de deploy, um erro assim pode destruir o sentido por completo. Por isso, no uso técnico, a qualidade do tratamento de code-switching importa mais do que uma métrica média de precisão.

Outra conclusão prática diz respeito à pontuação. O autor escreve que o problema de vírgulas e pontos que desaparecem foi resolvido em 99% dos casos com um único prompt de texto, sem pós-processadores LLM e sem latência adicional. É uma observação importante para quem monta um fluxo de trabalho por voz em torno de editores, chats com IA e anotações: o incômodo costuma vir não de palavras reconhecidas errado, mas de ter de limpar o texto depois com camadas separadas de processamento. Se a pontuação puder ser estabilizada no cenário básico, a voz passa a competir com o teclado não só em velocidade, mas também em conforto no trabalho diário.

A conclusão da análise é simples: em abril de 2026, o mercado de ditado por voz para a mistura de russo e inglês amadureceu de forma visível, mas ainda não há um vencedor universal. Se o objetivo é o resultado mais previsível, o Whisper e os bons aplicativos construídos em torno dele ainda estabelecem o padrão. Se importam a execução local, o preço e o controle sobre o stack, as soluções de código aberto já parecem uma alternativa real aos serviços em nuvem.

E o critério principal deixa de ser a «precisão» de marketing e passa a ser a capacidade do sistema de atravessar sem falhas a fala técnica real, em que russo, inglês e comandos para redes neurais soam na mesma frase.