Superwhisper apresenta a família de modelos S1 com versão aberta de normalizador de texto para transcrições automáticas
A empresa Superwhisper anunciou o lançamento da família S1, composta por três modelos voltados ao processamento de voz e linguagem natural: S1-Voice, S1-Language e S1-mini. O destaque é o S1-mini, disponibilizado com pesos abertos na plataforma Hugging Face e descrito como um normalizador de texto de 0,6 bilhão de parâmetros. Diferente de modelos generativos ou transcritores tradicionais, o S1-mini atua em uma etapa posterior ao reconhecimento automático de fala, reescrevendo transcrições brutas em texto limpo pronto para leitura humana.
A proposta central do S1-mini é funcionar como um filtro inteligente entre sistemas de reconhecimento de fala, como Whisper e Parakeet, e o usuário final. O modelo remove palavras de preenchimento, resolve autocorreções e falsos inícios com base na palavra final dita pelo falante, aplica pontuação e capitalização adequadas, além de converter números, datas, horários, valores monetários e endereços de e-mail falados em suas formas escritas. Por exemplo, ao ouvir "support at superwhisper dot com", o sistema entrega como resultado "[email protected]".
Do ponto de vista técnico, o S1-mini é um ajuste fino do modelo Qwen3-0.6B, contando com 596 milhões de parâmetros únicos, dos quais 0,44 bilhão são não relacionados a embeddings. A arquitetura apresenta 28 camadas, 16 cabeças de atenção para consulta e 8 cabeças para chave e valor, com o mecanismo GQA de atenção agrupada. Os pesos estão disponíveis no formato BF16. A versão 1 do lançamento cobre apenas o idioma inglês e a entrada recomendada gira em torno de mil tokens. O arquivo Q4_K_M no formato GGUF, versão compactada para execução eficiente, tem 462 megabytes e roda em processadores comuns de laptops, viabilizando a implantação local.
O controle do modelo acontece por meio de uma linha fixa chamada control line, posicionada antes da transcrição bruta. Essa linha segue o formato "[Styling: valor] [Structure: valor] [Context: valor]", com opções independentes para estilo, que pode ser casual, semi-casual, semi-formal ou formal, estrutura, em prosa ou listas, e contexto, geral ou e-mail. Todas as combinações possíveis desses três eixos foram contempladas no treinamento. Alterar valores fora desses conjuntos ou modificar o prompt de sistema pode comprometer a qualidade do resultado.
A documentação destaca dois requisitos técnicos frequentemente ignorados em integrações. O primeiro é a obrigatoriedade do parâmetro enable_thinking=False, já que o modelo utiliza o template de chat do Qwen3, cujo padrão ativa o modo de raciocínio. Como o S1-mini foi treinado com o raciocínio desativado, a ausência dessa configuração geralmente impede a geração de saída utilizável. O segundo requisito é a decodificação gananciosa, ou seja, sempre selecionar o token mais provável, sem amostragem aleatória. O arquivo de configuração do modelo traz a indicação do_sample: false, e embora os builds GGUF herdem metadados do Qwen3 com temperatura 0,6, top_p 0,95 e top_k 20, é necessário informar explicitamente temperatura zero em cada requisição.
Na avaliação interna divulgada pela Superwhisper, o S1-mini atingiu 94,8% de acurácia de tokens em um conjunto de 7.519 casos distribuídos em 104 transcrições, com taxa de erro de edição de texto de 11,6%. Em textos formatados como e-mail, o modelo identifica corretamente a saudação em 99,3% dos casos e a despedida em 97,9%. A estrutura de saída, lista ou parágrafo, é acertada em 97,6% das situações, e endereços de e-mail exatos aparecem em 92% das gerações. Menos de 1% das saídas apresentaram repetições em loop ou cortes, e o modelo se abstém corretamente de gerar texto em 98,6% dos casos em que não há conteúdo a ser transcrito. Esses números foram produzidos pela própria empresa em seu conjunto interno de testes.
Os outros dois componentes da família S1 funcionam apenas como serviços hospedados na nuvem. O S1-Voice é o modelo de transcrição de fala, com velocidade até 46 vezes maior que o tempo da fala e latência média de 0,32 segundo após o usuário parar de falar em ditados de até 30 segundos. Em oito conjuntos de dados avaliados, incluindo áudios de reuniões e teleconferências de resultados financeiros, apresentou taxa média de erro de palavras de 6,8%, chegando a 2,2% no benchmark LibriSpeech, conjunto público amplamente usado para avaliar reconhecimento de fala. Segundo a empresa, essa média de 6,8% foi a menor entre 15 modelos testados, e o S1-Voice atingiu 83 pontos em uma métrica combinada da Superwhisper, contra 76 do WisprFlow.
Já o S1-Language é o modelo hospedado de seguimento de instruções para limpeza, formatação e sumarização, e aparece no seletor de modelos do aplicativo ao lado de opções da Anthropic, OpenAI e Groq. A configuração padrão recomendada pela empresa combina o transcritor Cohere Transcribe com o S1-mini rodando localmente, ou o par S1-Voice e S1-Language totalmente na nuvem.
A licença do S1-mini é Apache 2.0 com cláusula de nomenclatura, mesma base herdada do Qwen3-0.6B, permitindo uso tanto em projetos de código aberto quanto em produtos comerciais. As aplicações indicadas abrangem aplicativos de ditado, ferramentas de atas de reunião, legendagem ao vivo, editores por voz, entrada de dados em sistemas de CRM e qualquer pipeline que transforme saída bruta de reconhecimento de fala em texto destinado à leitura humana. Setores como saúde e documentação clínica, jurídico, serviços financeiros, atendimento ao cliente, ferramentas para desenvolvedores e acessibilidade estão entre os públicos-alvo citados pela empresa.
