Transparente e reproduzível.

Dados de áudio

• Rio-platense: OpenSLR SLR61 (es_AR), Google, CC BY-SA 4.0.
• Colombiano: OpenSLR SLR72 (es_CO), Google, CC BY-SA 4.0.
• Neutro (LatAm): FLEURS es_419, Google, CC BY 4.0.
• Português (BR): FLEURS pt_br, Google, CC BY 4.0.
• Mexicano (STT): Em breve. Ainda não encontramos um dataset aberto baixável sem cadastro.

Seleção determinística: arquivos em ordem alfabética, um áudio por falante, 20 por sotaque.

Fala para texto (STT)

• Cada modelo transcreve cada áudio com idioma forçado (es/pt), beam_size=1 e sem filtro de silêncio (no_speech_threshold=None), igual para todos.
• Normalização: minúsculas, sem pontuação; acentos mantidos.
• WER e CER por sotaque com jiwer.
• Latência p50 = mediana do tempo total por frase em CPU (8 threads, sem GPU).

Texto para fala (TTS)

• Cada voz sintetiza as frases de referência do sotaque.
• Inteligibilidade: o áudio é transcrito com whisper-large-v3-turbo e comparado ao texto. Mede clareza, não naturalidade.
• Latência p50 = mediana do tempo até o áudio completo em CPU.

Provedores comerciais

• Aparecem como “Em breve” com preço oficial e fonte.
• Só publicaremos métricas quando os medirmos com contas próprias, respeitando seus termos.

Limitações

• 20 áudios por sotaque: suficiente para um piloto.
• Datasets públicos podem ter sido usados no treino de alguns modelos.
• Latências em CPU local: comparáveis entre si, não com APIs na nuvem.

Reproduzir

• python bench/fetch_data.py
• python bench/run_bench.py
• VB_LIGHT=1 python bench/run_bench.py (rodada diária leve)