Glossário
Um modelo acústico é a parte de um sistema de reconhecimento de fala que mapeia áudio bruto (ou um espectrograma mel derivado dele) para probabilidades de fonemas — "quais sons de fala estão aqui, quadro a quadro?" Em sistemas de reconhecimento de fala clássicos (HMM-GMM, HMM-DNN), o modelo acústico é um componente treinável separado. Em sistemas modernos de ponta a ponta, como Whisper, o modelo acústico é conceitualmente absorvido dentro do codificador.
O pipeline clássico
Os pipelines de ASR pré-2017 tinham três componentes distintos: um modelo acústico mapeando quadros de áudio para probabilidades de fonemas, um lexicon de pronúncia mapeando palavras para sequências de fonemas e um modelo de linguagem escolhendo a sequência de palavras mais provável. Cada um era treinado separadamente. O modelo acústico usava Modelos de Mistura Gaussiana ou DNNs sobre características MFCC/banco de filtros. A decodificação os unia com transdutores finitos ponderados — rápidos, mas complicados de treinar e manter.
O fim a fim o substitui
Os modelos modernos de ASR de transformador (Whisper, wav2vec 2.0, Conformer) combinam modelagem acústica, de pronúncia e de linguagem em uma única rede treinada de ponta a ponta em pares (áudio, texto). Não há uma camada de fonema explícita — o modelo aprende sua própria representação interna. Isso simplifica enormemente o treinamento e produz melhor precisão em áudio do mundo real. O termo "modelo acústico" agora é principalmente um termo histórico/de pesquisa.
Quando você ainda encontraria o termo
Casos de uso de nicho: línguas de baixo recurso onde você inicializa a partir de corpora alinhados com fonemas; dicionários de pronúncia para alinhamento forçado; pesquisa sobre a desvinculação de vieses acústicos vs linguísticos. Para transcrição comercial offline (o que fazemos), o termo é principalmente informativo — você obtém um transcript, você não ajusta um modelo acústico.
Na prática
Pré-Whisper (2018), um pipeline típico do Kaldi executava um modelo acústico TDNN treinado em cadeia produzindo probabilidades de senone (sub-fonema) a intervalos de 30 ms, em seguida, compunha aquelas com um modelo de linguagem de 4-gramas em um decodificador WFST. O Whisper faz tudo isso implicitamente dentro de seu transformador encoder-decoder — não há modelo acústico separado exposto.
Termos relacionados
Leitura adicional
Experimente o ASR moderno
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que Modelo acústico significa na transcrição?
O componente de um sistema de ASR que mapeia formas de onda de áudio bruto para probabilidades de fonema.
Por que Modelo acústico importa ao escolher um fluxo de trabalho de transcrição?
Modelo acústico afeta como você entende a qualidade da transcrição, o tempo, a compatibilidade ou a tecnologia por trás dos resultados de conversão de fala em texto.
Onde posso aplicar Modelo acústico no Transcript.you?
Use o fluxo de trabalho relacionado em /ai-transcription quando você quer ver como esse conceito de glossário se conecta a uma tarefa real de transcrição.
Navegue pelo glossário de transcrição ou leia o guia completo sobre transcrição por IA.