# Um modelo recorrente pode reduzir o tamanho dos sistemas de reconhecimento de fala

> Pesquisadores propõem compartilhar pesos entre blocos repetidos para reduzir o tamanho de modelos de reconhecimento automático de fala (ASR) sem perder a maior parte da precisão dos modelos maiores.

Oossa · 2026-10-30 · https://oossa.com/pt/a-recurrent-design-aims-to-shrink-speech-recognition-models

Uma equipe publicou no arXiv uma proposta de modelo de reconhecimento de fala que reutiliza um pequeno conjunto de blocos, em vez de atribuir parâmetros próprios a cada camada. Segundo os pesquisadores, essa abordagem, combinada a métodos de treinamento que transferem conhecimento de modelos maiores, usa cerca de um décimo dos parâmetros e mantém a precisão.

De acordo com o resumo, nos testes de referência do Open ASR Leaderboard, o modelo com dois blocos compartilhados recuperou 97,4% da precisão média dos modelos maiores. A equipe também descreve um método para adaptar o modelo compacto a usuários individuais, mas o resumo não apresenta medições em dispositivos nem comprova seu desempenho em situações reais.

## Os fatos

- Os pesquisadores afirmam que o modelo com dois blocos recuperou 97,4% da precisão média dos modelos maiores nos testes de referência do Open ASR Leaderboard.
- O artigo foi publicado no arXiv em 30 de outubro de 2026.

## Por que importa

Para quem desenvolve reconhecimento de fala para relógios e óculos, reduzir o número de parâmetros do modelo pode aliviar as limitações de memória. Ainda não se sabe se esse projeto oferece ganhos relevantes de velocidade ou economia de energia em dispositivos reais.

## Fontes e referências

1. [Depth through Recurrence: Towards Ultra-Efficient On-Device ASR](https://arxiv.org/abs/2610.37833) – arXiv cs.LG, 2026-10-30

Última atualização: 2026-10-30