O baniwa é uma língua da família Arawak falada na região do Alto Rio Negro, na Amazônia — sobretudo no Brasil, mas também na Colômbia e na Venezuela. Como a imensa maioria das línguas indígenas, ela praticamente não tem ferramentas de reconhecimento de fala: o Whisper, da OpenAI, suporta cerca de uma centena de idiomas, mas o baniwa não está entre eles.
Como o estudo foi feito
Pesquisadores fizeram ajuste fino supervisionado do Whisper Small sobre um corpus de 1.373 gravações transcritas manualmente — um total de apenas 32,4 minutos de áudio, em sua maioria palavras isoladas e enunciados curtos. O material foi dividido em 90% treino, 5% validação e 5% teste. Como o baniwa não tem token oficial no Whisper, os pesquisadores usaram prompts de transcrição em espanhol como aproximação.
Os números
O melhor resultado reportado foi uma taxa de erro de palavra (WER) de 37,5% e uma taxa de erro de caractere (CER) de 7,45%. É um erro alto — a cada dez palavras, quase quatro saem erradas —, mas os autores o apresentam explicitamente como um primeiro baseline, uma fundação para pesquisas futuras, e não como um sistema pronto para uso.
Por que isso importa
O trabalho mostra um caminho real para levar IA de fala a línguas de poucos recursos, usando um modelo aberto e dados minúsculos. Para o Brasil, onde há mais de 150 línguas indígenas, a preservação e o acesso digital a esses idiomas é uma agenda concreta — e este tipo de estudo é um primeiro tijolo. A limitação é clara: 32 minutos de áudio é muito pouco, e o WER de 37,5% ainda está longe de ser utilizável em produção.
Descubra mais sobre noticiAI
Assine para receber nossas notícias mais recentes por e-mail.
