Tether TranscribePsy Leva o Reconhecimento de Fala ao Dispositivo, mas Seus Benchmarks Precisam de um Teste Mais Amplo

A Tether lançou um modelo de fala com 254 milhões de parâmetros que leva a transcrição para celulares, laptops, óculos inteligentes e robôs, em vez de enviar o áudio para a nuvem. O lançamento do Tether TranscribePsy busca um equilíbrio difícil: manter o modelo pequeno o suficiente para hardware de consumo sem aceitar a perda de precisão habitual.

A empresa afirma que o TranscribePsy é mais rápido do que todos os modelos concorrentes que testou em seis smartphones. Também informa uma taxa de erro de palavras de 6,58% no Multilingual LibriSpeech, superando vários modelos com três a quatro vezes mais parâmetros. Esses resultados o posicionam diante da família Whisper da OpenAI, dos modelos Omnilingual ASR da Meta, do Qwen3-ASR e de outros sistemas abertos de fala.

No entanto, a Tether conduziu e publicou as comparações por trás dessas alegações. O lançamento inclui pesos do modelo, versões móveis e configurações de avaliação, mas não seu código de treinamento nem seus dados de treinamento. O TranscribePsy também não oferece transcrição em streaming, o que limita sua utilidade imediata para conversas contínuas em óculos e robôs.

Tether TranscribePsy Leva o Reconhecimento de Fala para o Dispositivo

O lançamento é relevante porque a Tether adaptou o reconhecimento de fala para hardware com recursos limitados, em vez de tratar o suporte móvel como uma experiência de desktop reduzida.

A Tether AI Research anunciou o TranscribePsy em 14 de outubro de 2026. O lançamento do TranscribePsy descreve um modelo multilíngue de reconhecimento automático de fala, ou modelo ASR, que converte fala gravada em texto.

O TranscribePsy contém 254 milhões de parâmetros. Parâmetros são os valores numéricos aprendidos que determinam como um modelo interpreta áudio e prevê palavras. Um número menor de parâmetros geralmente reduz os requisitos de armazenamento e memória, embora a arquitetura e a otimização de execução também afetem o desempenho.

O lançamento oferece quatro checkpoints para diferentes requisitos de hardware e idioma. Um modelo para laptop cobre 25 idiomas europeus, enquanto uma segunda versão para laptop se concentra em oito idiomas. Uma versão móvel em GGUF funciona por meio do mecanismo de fala da Tether, e uma versão Core ML é voltada ao Neural Engine da Apple.

Os celulares recebem o modelo de oito idiomas. Ele abrange holandês, inglês, francês, alemão, italiano, polonês, português e espanhol. O conjunto maior de idiomas adiciona búlgaro, croata, tcheco, dinamarquês, estoniano, finlandês, grego, húngaro, letão, lituano, maltês, romeno, russo, eslovaco, esloveno, sueco e ucraniano.

A Tether afirma que o modelo pode processar áudio capturado por óculos inteligentes via Bluetooth ou Wi-Fi. Um robô humanoide pode executá-lo em um processador integrado, preservando outros recursos computacionais para visão, mapeamento e controle físico.

Esses cenários não significam que a Tether lançou um assistente pronto para óculos inteligentes ou uma interface para robôs. O TranscribePsy lida com uma camada do sistema: converter uma fala em texto após o término da fala. Os desenvolvedores ainda precisam fornecer microfones, lógica de ativação, um modelo de assistente, controles da aplicação e respostas faladas.

A distinção é importante. Um produto de voz útil depende de todo o caminho, da captura de som à ação. Um modelo de fala rápido pode remover um gargalo, mas não pode compensar microfones ruins, ambientes barulhentos, modelos de linguagem lentos ou controles de dispositivo pouco confiáveis.

A Tether lançou os pesos sob a licença Apache 2.0 e forneceu versões GGUF e Core ML. Os desenvolvedores podem inspecionar os checkpoints de modelo disponíveis, baixá-los e reproduzir o processo de avaliação publicado.

O código de treinamento e os dados de treinamento originais não foram incluídos. Isso torna os pesos acessíveis para testes e adaptação, mas impede que terceiros reconstruam todo o pipeline de desenvolvimento.

Essa combinação cria a tensão central em torno do Tether TranscribePsy. Ele é incomumente orientado para implantação em um lançamento aberto de fala, mas suas alegações mais fortes ainda dependem de testes concebidos por seu criador.

Por Que o Reconhecimento de Fala no Dispositivo Está se Tornando a Verdadeira Disputa

A principal disputa já não é entre fala na nuvem e ditado offline fraco. É entre precisão em escala de nuvem e precisão aceitável no hardware que as pessoas já carregam.

A transcrição na nuvem dá aos desenvolvedores acesso a modelos grandes e capacidade computacional elástica. Ela também exige que o áudio deixe o dispositivo, sobreviva a uma viagem de ida e volta pela rede e passe por uma infraestrutura controlada por outra organização.

Essa troca se torna mais séria quando microfones estão sempre por perto. Óculos inteligentes podem captar reuniões, conversas privadas, discussões médicas e a fala de pessoas que nunca concordaram em usar o dispositivo. Robôs que operam em casas enfrentam preocupações semelhantes.

O reconhecimento de fala no dispositivo muda onde acontece a primeira etapa de processamento. O celular ou dispositivo vestível converte áudio em texto localmente, portanto a gravação original não precisa chegar a um servidor remoto de transcrição.

O processamento local não pode garantir privacidade por si só. Um aplicativo ainda pode enviar a transcrição, reter a gravação ou compartilhar informações derivadas posteriormente. A segurança do dispositivo, as permissões do aplicativo, a retenção de dados e os serviços posteriores continuam fazendo parte do modelo de privacidade.

Ainda assim, manter o áudio bruto local reduz a exposição em uma etapa importante. A voz carrega mais do que palavras literais. Ela pode revelar identidade, emoção, indicadores de saúde, pessoas ao redor e atividade de fundo.

A conectividade cria um segundo ponto de pressão. Um assistente dependente da nuvem pode falhar dentro de um elevador, avião, túnel, área rural ou local lotado. O ASR local pode continuar reconhecendo comandos quando o dispositivo perde a conexão.

A latência também afeta se as interfaces de voz parecem conversacionais. A Tether observa que um data center distante introduz atraso de rede antes mesmo do início do processamento. O congestionamento móvel e sinais fracos podem ampliar esse atraso de forma imprevisível.

Fabricantes de óculos inteligentes enfrentam restrições especialmente severas. Seus produtos precisam gerenciar calor, duração da bateria, armazenamento e memória dentro de uma armação pequena ou de um celular conectado. Enviar cada gravação à nuvem simplifica a computação no dispositivo vestível, mas levanta questões de privacidade e confiabilidade.

Desenvolvedores de robôs enfrentam um problema diferente de alocação. O reconhecimento de fala compete com visão, localização, planejamento de movimento e processos de segurança por recursos computacionais integrados limitados. Um modelo ASR compacto deixa mais capacidade para essas outras tarefas.

Essas pressões explicam por que a Tether escolheu a velocidade de implantação e o tamanho do modelo como principais argumentos de venda. Ela não está tentando superar os maiores sistemas de fala em todos os idiomas e cenários acústicos. Está argumentando que um modelo menor pode ultrapassar o limiar necessário para produtos offline úteis.

Esse argumento pressiona os desenvolvedores que usam Whisper-small e checkpoints semelhantes de propósito geral. O Whisper tem um ecossistema maduro e amplo reconhecimento entre desenvolvedores, mas um modelo projetado para muitos ambientes não oferece automaticamente o melhor desempenho em dispositivos móveis.

A pesquisa original do Whisper enfatizou supervisão fraca em larga escala e generalização entre tarefas e conjuntos de dados. O TranscribePsy apresenta uma proposta mais restrita, centrada em idiomas europeus, implantação compacta e desempenho em celulares.

Nenhuma das abordagens vence em todos os casos de uso. Um serviço em nuvem pode oferecer cobertura de idiomas mais ampla e atualizações centralizadas. Um modelo local pode reduzir a dependência da rede e manter áudios sensíveis mais próximos de sua origem.

A questão competitiva é se os usuários percebem diferença suficiente em velocidade, privacidade ou confiabilidade offline para aceitar um conjunto menor de idiomas. Os primeiros resultados de benchmark da Tether sugerem que essa troca pode ser atraente, mas a adoção de produtos proporcionará um teste mais difícil.

A Poda de Modelos Explica Como a Tether Reduziu a Pegada

O TranscribePsy não é um modelo pequeno treinado de forma independente desde o início. A Tether comprimiu conhecimento de um sistema de fala muito maior.

O modelo usa uma arquitetura FastConformer-TDT. FastConformer é uma arquitetura de áudio projetada para processar longas sequências de fala com eficiência, enquanto TDT prevê tokens de texto e seu comportamento temporal.

A Tether começou com o Parakeet-TDT-0.6B-v3 da NVIDIA, um modelo de fala com 627 milhões de parâmetros. A equipe reduziu essa rede por meio de poda estruturada, que remove componentes selecionados enquanto preserva uma arquitetura executável.

Em seguida, usou o modelo Parakeet original como professor. Esse processo, chamado destilação de conhecimento, treina um modelo estudante menor para reproduzir comportamentos úteis de um sistema maior.

O modelo professor Parakeet forneceu um ponto de partida treinado. A Tether afirma que essa abordagem ajudou o modelo menor a reter capacidades que seriam mais difíceis de aprender apenas com transcrições.

Segundo a metodologia de benchmark da Tether, o modelo foi treinado com cerca de 564.000 horas de fala em 25 idiomas. A empresa não divulgou o conjunto de dados subjacente, portanto terceiros ainda não podem auditar sua composição ou condições de consentimento.

A composição dos dados importa porque médias multilíngues podem ocultar grandes diferenças. Um modelo pode funcionar bem em gravações limpas em inglês, mas ter dificuldades com sotaques regionais, alternância de idiomas, falantes sobrepostos ou idiomas com menos dados de treinamento.

A versão de 25 idiomas processa o inglês por meio de seus pesos principais e adiciona pequenos adaptadores para os outros idiomas. Um adaptador é um conjunto compacto de parâmetros adicionais que especializa um modelo sem substituir toda a sua rede.

Quando o idioma do falante é desconhecido, uma porta de idioma seleciona um adaptador para cada fala. A Tether afirma que a seleção automática adiciona aproximadamente 0,1 ponto percentual à taxa de erro de palavras em inglês.

A versão móvel de oito idiomas restringe ainda mais a tarefa. Menos idiomas compatíveis permitem que o modelo concentre sua capacidade e reduza a complexidade da implantação móvel. Essa escolha também torna a edição para celular menos adequada a regiões multilíngues fora de sua cobertura.

O trabalho de implantação da Tether pode ser tão importante quanto seu método de compressão. Um modelo que cabe em um celular ainda precisa de um ambiente de execução eficiente, operações compatíveis, consumo previsível de memória e empacotamento específico para o hardware.

A versão GGUF funciona em processadores de celulares por meio do mecanismo baseado em Parakeet da Tether. GGUF é um formato de arquivo de modelo comumente usado para inferência local eficiente e portabilidade entre hardwares.

Os dispositivos Apple recebem outra rota. A versão Core ML é voltada ao Neural Engine do iPhone, um processador especializado em operações de aprendizado de máquina. A aceleração dedicada produz resultados muito mais rápidos do que executar a mesma carga de trabalho apenas em uma CPU de celular de uso geral.

Essa divisão ilustra um desafio prático para a IA no dispositivo. “Funciona localmente” não descreve um ambiente uniforme. Um Neural Engine do iPhone, uma CPU Android, uma GPU de laptop e um processador de robô têm diferentes limites de memória e operações compatíveis.

Portanto, os desenvolvedores precisam avaliar o checkpoint e o ambiente de execução em conjunto. Uma contagem de parâmetros de destaque não pode prever o uso de bateria, o aquecimento sustentado, o tempo de carregamento ou a capacidade de resposta durante toda uma sessão de produto.

A Tether afirma que está desenvolvendo modelos menores, idiomas adicionais e suporte a streaming. Essas melhorias estenderiam a mesma estratégia de compressão para dispositivos com limites de energia mais restritos e aplicações que exigem legendas contínuas.

Por enquanto, a arquitetura explica como o TranscribePsy alcançou seu tamanho. Ela não estabelece quão confiavelmente essa compressão se transfere para as condições de áudio imprevisíveis encontradas fora de um conjunto de benchmarks.

Tether compara a velocidade do TranscribePsy com Whisper e modelos maiores

Os números da Tether apresentam um argumento plausível em favor da eficiência, mas continuam sendo resultados conduzidos pela própria fornecedora, e não testes independentes do produto.

A precisão no reconhecimento de fala costuma ser medida pela taxa de erro de palavras, ou WER. A métrica contabiliza palavras substituídas, omitidas e inseridas em relação a uma transcrição de referência. Pontuações menores indicam menos erros.

A Tether relata uma WER de 8,02% na avaliação Open ASR Leaderboard, 6,58% no Multilingual LibriSpeech e 21,56% no Common Voice.

Dentro de um grupo de comparação com modelos entre 242 milhões e 370 milhões de parâmetros, o TranscribePsy registrou a menor taxa de erro nos três conjuntos. A Tether afirma que os testes utilizaram o mesmo pipeline de decodificação e normalizador de texto.

No Multilingual LibriSpeech, o Whisper-small registrou uma WER de 11,51% no teste da Tether. O OWSM v4 small alcançou 11,84%, enquanto o omniASR-CTC-300M-v2 chegou a 11,89%.

A comparação com modelos maiores é mais mista. O resultado de 6,58% do TranscribePsy no Multilingual LibriSpeech superou as pontuações reportadas para Qwen3-ASR-0.6B, OWSM-CTC-v4, Whisper-Medium e omniASR-CTC-1B-v2.

No entanto, o Qwen3-ASR-0.6B teve desempenho melhor na avaliação Open ASR. Ele registrou 7,40%, contra 8,02% do TranscribePsy. O modelo Omnilingual da Meta, com um bilhão de parâmetros, liderou no Common Voice com 20,07%, em comparação com 21,56%.

Essas diferenças impedem a afirmação simples de que o TranscribePsy é mais preciso que todos os modelos maiores. Sua vantagem mais forte apareceu em um benchmark multilíngue, enquanto concorrentes maiores lideraram outros conjuntos de testes.

Os resultados publicados para telefones são mais conclusivos. A Tether testou seis dispositivos: iPhone 17 Pro Max, iPhone 15, Samsung Galaxy S26 Ultra, Galaxy S25 Ultra, Google Pixel 10 e Pixel 9.

Cada telefone processou 160 enunciados contendo 40 minutos de áudio em oito idiomas. A Tether informa a média dos três melhores resultados de cinco execuções, com períodos de resfriamento destinados a limitar a limitação térmica.

Nos seis CPUs de telefones, a versão GGUF do TranscribePsy teve média de 1.021 milissegundos por enunciado. O modelo testado seguinte mais rápido, omniASR-CTC-300M-v2, teve média de 2.631 milissegundos. O Whisper-small teve média de 5.854 milissegundos.

Isso torna o TranscribePsy cerca de 2,6 vezes mais rápido que o próximo modelo testado e cerca de 5,7 vezes mais rápido que o Whisper-small na configuração da Tether.

O modelo foi carregado em uma média de 252 milissegundos. O uso máximo de memória ficou entre 530 e 542 MiB nos dispositivos, segundo a empresa.

O hardware especializado da Apple produziu um resultado mais dramático. A Tether afirma que a versão Core ML transcreveu uma gravação de 10 minutos em 1,65 segundo após o carregamento em um iPhone 17 Pro Max. Isso equivale a 363 vezes a velocidade em tempo real.

Em um iPhone 15, a versão Core ML processou o conjunto completo de 40 minutos em 42,2 segundos. O Galaxy S26 Ultra o concluiu em 62 segundos pelo caminho de CPU, enquanto o Pixel 9 precisou de 180 segundos.

O resultado do iPhone não deve ser confundido com latência de resposta ao vivo. Processar rapidamente uma gravação concluída de 10 minutos é diferente de exibir texto preciso enquanto alguém ainda está falando.

Atualmente, o TranscribePsy processa um enunciado ou gravação finalizada. A Tether afirma que o texto pode aparecer aproximadamente um quarto de segundo depois que o locutor para de falar no iPhone Neural Engine, mas o streaming contínuo continua em desenvolvimento.

Os leitores podem comparar as listagens de modelos por meio do benchmark de fala público. Ainda assim, o acompanhamento mais valioso seria a reprodução por desenvolvedores móveis que utilizem as versões lançadas no mesmo hardware.

Testes no mundo real devem incluir ruído de fundo, microfones distantes, fala com sotaques, vários locutores, vocabulário técnico e longas sessões de gravação. Eles também devem medir o consumo de bateria e a temperatura sustentada do dispositivo.

Essas condições determinam se a velocidade de benchmark se transforma em um produto melhor. Uma transcrição rápida que erra nomes ou falha após calor prolongado oferece menos valor do que sua pontuação de laboratório sugere.

O argumento de privacidade tem limites técnicos e práticos

A inferência local elimina uma dependência da nuvem, mas não resolve questões de consentimento, precisão, tratamento de dados ou prontidão comercial.

A Tether apresenta o TranscribePsy como uma resposta voltada à privacidade para dispositivos que podem ouvir durante todo o dia. O CEO Paolo Ardoino argumenta que as pessoas não deveriam precisar dar a plataformas centralizadas acesso a conversas pessoais.

O modelo sustenta essa posição na etapa de transcrição. Depois de baixado, ele pode converter áudio em texto sem enviar a gravação para a Tether ou outro provedor de nuvem.

Ainda assim, um modelo de fala não pode controlar a aplicação ao seu redor. Os desenvolvedores decidem se as gravações são armazenadas, se as transcrições são sincronizadas e se o texto entra em um modelo de linguagem remoto.

Portanto, um pipeline de transcrição privado pode alimentar um assistente não privado. Os criadores de produtos precisam oferecer divulgações claras que cubram cada etapa posterior, não apenas a primeira invocação do modelo.

O consentimento de terceiros apresenta outra questão. Usuários de óculos inteligentes podem processar conversas próximas sem enviá-las para qualquer lugar. O processamento local muda a exposição dos dados, mas não torna automaticamente a gravação social ou legalmente aceitável.

A precisão também afeta casos de uso sensíveis à privacidade. A Tether cita consultas médicas, entrevistas jurídicas, sessões de terapia e jornalismo como aplicações potenciais. Esses contextos exigem mais do que uma WER média baixa.

Nomes, dosagens, datas, terminologia jurídica e atribuição de falantes podem trazer consequências maiores do que substituições comuns de palavras. Uma média de benchmark não mostra se os erros se concentram precisamente nesses detalhes importantes.

A ausência de streaming é outra limitação de curto prazo. Legendas ao vivo e conversas naturais com robôs funcionam melhor quando o texto aparece de forma incremental durante a fala. Esperar pelo fim de cada enunciado pode tornar as interações rígidas.

Os desenvolvedores podem dividir o áudio em segmentos curtos, mas isso introduz decisões sobre a detecção de fim de fala. Encerrar um segmento cedo demais pode dividir uma frase, enquanto esperar tempo demais aumenta a latência.

A cobertura de idiomas também reduz o mercado endereçável. O modelo para telefones oferece suporte a oito idiomas europeus. Ele ainda não oferece a variedade global de idiomas exigida por muitas plataformas de consumo.

A linguagem de licenciamento da Tether também merece atenção. A empresa descreve os pesos como Apache 2.0, ao mesmo tempo que os chama de disponíveis para fins de pesquisa e educação. Os desenvolvedores devem inspecionar a licença real do repositório e a documentação relacionada ao modelo antes da implantação comercial.

Pesos abertos oferecem transparência importante, mas não são o mesmo que um processo de treinamento totalmente reproduzível. Pesquisadores não podem recriar o modelo nem investigar a mistura de dados original sem o código de treinamento e detalhes do conjunto de dados.

As configurações de avaliação publicadas abordam parcialmente essa lacuna. Testadores independentes podem executar novamente os checkpoints lançados e comparar resultados sob configurações consistentes.

Essa é a oportunidade imediata de verificação. Se desenvolvedores externos reproduzirem os resultados de velocidade e memória, a Tether terá evidências mais fortes de que suas alegações de implantação se estendem além de seu próprio laboratório.

Se testes independentes revelarem taxas de erro maiores em ruído ou problemas de desempenho sustentado, a vantagem do modelo parecerá mais limitada. Ele pode continuar útil para transcrição offline em lote sem se tornar uma camada geral de voz.

A posição incomum da Tether cria outra incerteza. A empresa é mais conhecida por emitir a stablecoin USDT do que por fornecer infraestrutura de fala a fabricantes de dispositivos.

Lançamentos abertos podem atrair desenvolvedores sem um canal estabelecido de vendas empresariais. Parcerias de hardware, manutenção de longo prazo, qualidade da documentação e estabilidade de versões determinarão se a experimentação se torna adoção.

O lançamento técnico é, portanto, real, mas seu impacto no produto permanece não comprovado. A Tether disponibilizou artefatos para download e medições detalhadas. Ela ainda não mostrou um telefone amplamente implantado, um produto de óculos ou um robô construído em torno deles.

O que os desenvolvedores devem acompanhar a seguir

Três sinais determinarão se o TranscribePsy se tornará uma infraestrutura útil ou continuará sendo um lançamento de modelo impressionante.

O primeiro sinal é a reprodução móvel independente. Os desenvolvedores devem executar as versões GGUF e Core ML nos telefones listados e, depois, publicar resultados de precisão, memória, bateria e temperatura.

A correspondência com os números de velocidade da Tether fortaleceria o argumento de que o TranscribePsy é uma alternativa prática ao Whisper. Grandes diferenças de desempenho enfraqueceriam sua diferenciação mais importante.

Os testes devem durar mais que uma curta sessão de benchmark. Ditado contínuo, reuniões de uma hora e comandos de voz repetidos exporão a limitação térmica e os custos de bateria que a medição média por enunciado não consegue capturar.

O segundo sinal é o suporte a streaming. A Tether afirma estar trabalhando em uma versão que produz texto enquanto alguém fala.

Um lançamento estável de streaming tornaria o modelo mais adequado para legendas ao vivo, óculos inteligentes e robôs conversacionais. Atrasos contínuos restringiriam muitas implantações a notas de voz, gravações concluídas e comandos por turnos.

A qualidade do streaming deve ser avaliada por mais do que velocidade. Os desenvolvedores precisam medir correções de palavras parciais, detecção de fim de fala, estabilidade de pontuação e desempenho quando os locutores fazem pausas ou interrompem uns aos outros.

O terceiro sinal é uma integração real de hardware. Uma implementação pública de um fabricante de óculos, empresa de robótica, desenvolvedor de acessibilidade ou aplicativo móvel testaria o sistema completo.

Essa integração revelaria se o conjunto limitado de idiomas do modelo atende a clientes reais. Também mostraria como a transcrição local interage com microfones, palavras de ativação, modelos de assistente e controles do dispositivo.

Um parceiro de hardware não provaria que todas as alegações estão corretas. Mostraria que outra organização considerou o runtime maduro o suficiente para colocá-lo em um produto compatível.

Os desenvolvedores que avaliam o Tether TranscribePsy hoje devem começar com uma tarefa delimitada. Notas de voz offline, transcrição de reuniões, legendas de acessibilidade para gravações e reconhecimento de comandos oferecem testes mais claros do que um assistente geral.

Eles devem comparar os resultados com Whisper e outro modelo multilíngue compacto usando seu próprio áudio. O conjunto de testes deve incluir usuários pretendidos, microfones reais, ruído típico e vocabulário específico do domínio.

As análises de privacidade devem acompanhar os dados além da transcrição. As equipes precisam documentar para onde vão gravações, transcrições, embeddings e prompts de assistentes depois que o modelo local retorna o texto.

A Tether tornou a primeira etapa de avaliação mais fácil ao lançar versões executáveis e configurações reproduzíveis. A próxima etapa pertence aos desenvolvedores que podem testar essas versões fora do ambiente de benchmark da empresa.

A questão importante não é se um modelo de 254 milhões de parâmetros pode produzir uma pontuação atraente. A Tether já apresentou evidências de que pode. A questão é se essa eficiência resiste a vozes reais, salas lotadas, telefones quentes e aplicações completas.

Se os resultados independentes se confirmarem, o Tether TranscribePsy oferecerá aos desenvolvedores uma camada local de fala confiável para dispositivos que não podem depender de acesso permanente à nuvem. Caso contrário, ele ainda fornecerá um estudo de caso útil sobre a compressão de um modelo de fala maior para hardware de borda.

Qualquer um dos resultados esclarecerá o que o reconhecimento de fala no dispositivo pode oferecer hoje. Baixe um checkpoint, teste-o com as suas gravações reais e avalie toda a experiência antes de transformar qualquer benchmark em uma decisão de produto.