[Pitch] Coloquei reconhecimento de voz local num app de Mac: o que o WER público não conta

Olá, pessoal. Faço um app de ditado para Mac chamado Sorimac, aqui da ilha de Jeju, na Coreia. Você fala e o texto aparece onde está o cursor, em qualquer app. O reconhecimento roda no próprio Mac (Qwen3-ASR por padrão, Whisper opcional) e, depois de baixar o modelo uma vez, funciona offline.

Como o termo pede, vou focar no técnico:

1. WER público ≠ microfone real. Escolhi modelos por idioma olhando benchmarks públicos. O A/B com microfone de verdade e fala natural inverteu parte das previsões. Hoje só uso modelos especializados para hindi e tailandês; nos outros idiomas o modelo geral ganhou.

2. Dica de vocabulário que vira eco. Passava o vocabulário do usuário como dica para o decodificador acertar nomes próprios. Em áudio quase silencioso, o modelo lia a dica e travava — no pior caso, 282 segundos de atraso no log. Solução: sem dica quando a relação sinal-ruído é baixa, e transcrições inválidas são descartadas.

3. Frases que ninguém disse. Em 35 dias de logs, o nosso próprio modelo coreano ajustado (baseado no Qwen3) gerava, no silêncio, frases de exemplo dos dados de treino — quase não havia exemplos de silêncio no treino. Filtro de texto não resolve: ele troca de frase. O Qwen3 base não teve isso.

4. Prompt falado para IA. Meu uso principal é ditar prompts longos para o Claude Code no terminal, com Enter automático no fim. O prompt sai mais completo porque falar três parágrafos custa um minuto.

Limitações: só Apple Silicon e macOS 15+; não transcreve arquivos de áudio. Preço único de US$ 9,99, 3 dias grátis.

https://sorimac.com/en/?utm_source=tabnews&utm_medium=community

Perguntas sobre a parte técnica são muito bem-vindas.