Brainiall Speech Live
Transcrição via WebSocket pronta para agentes de voz

Como funciona

1. Conectar to wss://api.brainiall.com/v1/stt/stream com autenticação Bearer.
2. Enviar frames binários contendo chunks de áudio PCM mono int16 a 16 kHz (qualquer tamanho). O servidor faz buffer internamente.
3. Receber Frames de texto JSON a cada ~1,5 s de áudio acumulado: {"type":"partial","text":"...","offset_ms":0,"duration_ms":1500}
4. Enviar frame de texto "__END__" para esvaziar o buffer restante. Receba a transcrição final: {"type":"final","text":"...","chunks_processed":N}

# Python client (websockets lib)
import asyncio, json, websockets, wave

async def stream(wav_path):
 async with websockets.connect(
 "wss://api.brainiall.com/v1/stt/stream",
 additional_headers=[("Authorization", "Bearer $BRAINIALL_API_KEY")],
 ) as ws:
 with wave.open(wav_path, "rb") as wf:
 data = wf.readframes(wf.getnframes)
 # Send in 200ms chunks
 chunk = 16000 * 2 // 5 # int16 @ 16kHz, 200ms
 for i in range(0, len(data), chunk):
 await ws.send(data[i:i+chunk])
 await asyncio.sleep(0.2)
 await ws.send("__END__")
 async for msg in ws:
 event = json.loads(msg)
 print(event["type"], event["text"])
 if event["type"] == "final":
 break

asyncio.run(stream("audio.wav"))

Casos de uso

Qualidade e comparação de preços

Qualidade em escala de 0–10 derivada de benchmarks WER publicados (benchmarks de fala limpa, benchmarks multilíngues, CallHome). Preço por minuto de áudio em USD.

Onde somos honestos

• Latência do primeiro parcial: ~1,5 s hoje (MVP buffer-by-time). O streaming Deepgram Nova-3 fica mais próximo de ~300 ms para o primeiro parcial. Estamos trabalhando em segmentação por detecção de atividade de voz mais inteligente + flush de 500 ms na Fase 2.
• Janela deslizante: Cada parcial é transcrita isoladamente hoje (sem sobreposição). O motor de transcrição ocasionalmente alucina em segmentos isolados curtos. A Fase 2 adiciona 500 ms de sobreposição para corrigir isso.
• Brainiall Speaker ID Ainda não está em modo streaming (apenas batch). Nosso endpoint batch /transcribe existente inclui diarização pelo motor Brainiall Speaker ID.
• Idiomas: Detecção automática de idioma (suporta 99 idiomas). Para menor latência, futuro idioma= o parâmetro pulará a detecção.
• Latência de transcrição em lote (CPU): O mesmo motor Brainiall Speech (tier Pro) também atende ao modo não-streaming /v1/whisper/transcribe endpoint de lote. Na frota de CPU atual, um clipe quente de 4 segundos é transcrito em ~6 – 7 s, e o custo cresce aproximadamente de forma linear com a duração do áudio. Para Áudio > 60 s Recomendamos fragmentar no cliente (por exemplo, segmentos de 30 s) e concatenar as transcrições — isso limita a latência por requisição e paraleliza de forma limpa.

Preço

Desconto derivado da posição de qualidade. 55% de desconto em paridade com os líderes do setor em cobertura e precisão.