# Speech-to-Text em áudio telefónico: 10 modelos testados em nomes, números e latência (nov. 2026)

> A Stork testou 10 modelos de speech-to-text com 16,6 minutos de fala real de chamadores e com sotaque, numa linha telefónica G.711 simulada: taxa de erro de palavras, nomes, dígitos e moradas, tempo de resposta e preço. Inclui ainda o tempo até ao primeiro áudio de 9 modelos de text-to-speech. Teste realizado a 11 de novembro de 2026.

- Source: https://www.stork.ai/blog/pt/speech-to-text-phone-audio-test-2026
- Publisher: Stork.AI editorial team
- Published: 2026-11-12
- Updated: 2026-11-12
- Language: pt
- Reading time: 14 min

_Divulgação de afiliados: a Stork mantém um diretório de ferramentas de IA e pode receber uma comissão quando você se cadastra por meio de alguns links desta página (ElevenLabs e Inworld), sem custo para você. As classificações aqui vêm somente dos números medidos; modelos de fornecedores que não nos pagam nada são avaliados da mesma forma._

## Key takeaways

- Cinco modelos de STT empataram com taxa de erro de palavras de 5,5 a 6,0% em áudio telefónico G.711; as diferenças estão dentro da margem de erro.
- gpt-transcribe: 97,5% dos nomes, dígitos e moradas corretos, resposta mediana de 0,61 s, 0,27 $ por hora.
- O gpt-4o-transcribe devolveu transcrições parciais em 6 de 60 gravações; a WER média esconde isso.
- O áudio telefónico de 8 kHz custou aos melhores modelos 0,3 pontos de WER ou menos; o ruído de fundo custou à maioria entre 0,4 e 2,0.
- Voz mais rápida: ElevenLabs Flash v2.5, primeiro áudio em 0,22 s (mediana), mas cerca de 2,37 $ por hora de áudio ao preço de tabela.
- Ainda não testados (sem chaves): Deepgram, AssemblyAI, Speechmatics, Soniox, Cartesia, Rime.

**Resposta curta:** em 16,6 minutos de fala real de chamadores e com sotaque, enviados por uma linha telefónica simulada, cinco modelos de speech-to-text ficaram num grupo de topo muito próximo: **gpt-transcribe** da OpenAI (5,5% de taxa de erro de palavras), **gpt-4o-mini-transcribe** (5,5%), **Scribe v2** da ElevenLabs (5,9%), **Gemini 3.5 Transcribe** da Google (5,9%) e **Gemini 3.8 Flash** (6,0%). As diferenças entre eles são inferiores à nossa margem de erro. O que separou os modelos foi a fiabilidade: o **gpt-4o-transcribe** e o mais antigo **whisper-1** devolveram por vezes apenas parte de uma gravação, algo que uma média de erro de palavras esconde. Para um agente telefónico, o gpt-transcribe teve a melhor combinação neste teste: precisão de topo, 97,5% dos nomes, dígitos e moradas corretos, as respostas mais rápidas (0,61 s de mediana) e 0,27 $ por hora de áudio.

**O que é isto:** o teste próprio da Stork, realizado a 11 de novembro de 2026, com um script que qualquer pessoa pode voltar a executar (método abaixo). Testamos todos os modelos de fala a que conseguimos aceder com as nossas próprias chaves de API e repetiremos o teste mensalmente. É um teste de componentes, não de um agente de voz completo. Não testámos Deepgram, AssemblyAI, Speechmatics, Soniox, Gladia, Cartesia, Rime nem Azure nesta ronda porque ainda não temos chaves para eles; são os primeiros da lista para o próximo teste.

## Resultados em uma linha telefônica

| Model (vendor) | Word error rate, phone line | With background noise | Names, digits, addresses right | Broken transcripts (of 60) | Reply time p50 / p90 | List price per hour of audio |
| --- | --- | --- | --- | --- | --- | --- |
| gpt-transcribe (OpenAI) | 5.5% | 6.4% | 97.5% | 0 | 0.61 s / 0.69 s | $0.27 |
| gpt-4o-mini-transcribe (OpenAI) | 5.5% | 7.3% | 96.3% | 0 | 0.71 s / 0.87 s | $0.18 |
| Scribe v2 (ElevenLabs, via fal) | 5.9% | 11.1% | 95.9% | 1 | 1.61 s / 1.81 s | $0.48 on fal ($0.20 direct) |
| Gemini 3.5 Transcribe (Google) | 5.9% | 6.9% | 95.9% | 0 | 1.56 s / 1.95 s | about $0.30 |
| Gemini 3.8 Flash (Google) | 6.0% | 6.4% | 95.9% | 1 | 2.00 s / 2.47 s | about $0.11 (our estimate) |
| Whisper large-v3 (fal Wizper) | 6.1% | 8.1% | 95.1% | 1 | 3.48 s / 24.5 s | not published |
| Cohere Transcribe (via fal) | 6.3% | 6.8% | 93.1% | 0 | 1.15 s / 1.42 s | $0.25 on fal |
| whisper-1 (OpenAI) | 10.8% | 11.1% | 88.2% | 3 | 1.27 s / 1.60 s | $0.36 |
| Gemini 3.5 Flash-Lite (Google) | 13.2% | 8.6% | 86.5% | 3 | 1.16 s / 1.28 s | about $0.06 (our estimate) |
| gpt-4o-transcribe (OpenAI) | 15.0% | 9.3% | 83.7% | 6 | 0.75 s / 0.96 s | $0.36 |

*Stork test, November 11, 2026. Word error rate (each digit counted as a word, see How we tested) and entity accuracy on the G.711 phone-line version of 16.6 minutes of audio (155 utterances, 245 scored entities). Broken = a 50-second recording with more than 50% of words wrong, counted across all three audio conditions. Reply time = 12 short caller turns, one at a time, from California. Prices from vendor pages, November 11, 2026.*

> [!FACT] Neste teste, comprimir o áudio por uma linha telefônica não prejudicou os bons modelos. Passar do áudio original de 16 kHz para G.711 de 8 kHz alterou a taxa de erro de palavras do gpt-transcribe, do gpt-4o-mini-transcribe, do Gemini 3.5 Transcribe e do Scribe v2 em 0,3 ponto ou menos, e Cohere, Gemini 3.8 Flash e Whisper large-v3 tiveram resultado melhor na versão telefônica (os dois últimos tiveram uma transcrição com falha no áudio original). Adicionar ruído de fundo custou aos sete melhores de 0,4 a 2,0 pontos, exceto o Scribe v2, que falhou em uma gravação com ruído.

## O que encontramos

### 1. Os cinco primeiros estão empatados estatisticamente em precisão

Taxas de erro de palavras de 5,5% a 6,3% para sete modelos parecem uma classificação, mas não são. Nosso intervalo de confiança de 95% para o gpt-transcribe vai de 3,9% a 7,4%, e todos os modelos até o Cohere Transcribe se sobrepõem a ele. Com 16,6 minutos de áudio, uma diferença de um ponto é ruído. Se você está escolhendo entre esses modelos, decida por confiabilidade, latência, preço e recursos (streaming, keyword boosting, retenção de dados), e não por meio ponto de WER.

### 2. A confiabilidade é onde os modelos se diferenciam

Cada modelo transcreveu 60 gravações de cerca de 50 segundos (20 gravações, três condições de áudio). O **gpt-4o-transcribe** devolveu uma transcrição gravemente incompleta em 6 delas: numa gravação de 8 turnos de chamador devolveu apenas "12:15 p.m.", e numa de 17 turnos apenas "The amount of the bill is $61." O **whisper-1** e o **Gemini 3.5 Flash-Lite** fizeram-no 3 vezes cada. O Gemini 3.8 Flash antecedeu uma vez a transcrição com um título inventado e texto repetido, e o Scribe v2 devolveu uma vez uma pequena sequência de caracteres sem sentido para uma gravação com ruído. O gpt-transcribe, o gpt-4o-mini-transcribe, o Gemini 3.5 Transcribe e o Cohere Transcribe não devolveram transcrições defeituosas.

As nossas gravações juntam turnos curtos e sem relação entre si com pausas de um segundo, o que é mais exigente do que uma chamada contínua, pelo que estas contagens devem ser vistas como um teste de esforço. Mas um agente telefónico não pode aceitar uma transcrição que omite em silêncio a maior parte do que o chamador disse, e uma WER média esconde precisamente isso.

### 3. Nomes, dígitos e moradas

| Model | Names (45) | Digit strings (29) | Street addresses (16) | Dollar amounts (15) | Clock times (16) | Places (19) | Dates and numbers (97) |
| --- | --- | --- | --- | --- | --- | --- | --- |
| gpt-transcribe | 93% | 100% | 94% | 100% | 100% | 95% | 99% |
| gpt-4o-mini-transcribe | 91% | 100% | 100% | 87% | 100% | 95% | 98% |
| Scribe v2 (fal) | 89% | 100% | 100% | 100% | 100% | 95% | 97% |
| Gemini 3.5 Transcribe | 93% | 100% | 100% | 100% | 88% | 89% | 97% |
| Gemini 3.8 Flash | 91% | 97% | 100% | 100% | 88% | 95% | 98% |
| Whisper large-v3 (Wizper) | 87% | 100% | 100% | 100% | 100% | 89% | 96% |
| Cohere Transcribe (fal) | 84% | 86% | 94% | 100% | 100% | 95% | 97% |
| whisper-1 | 82% | 100% | 75% | 100% | 100% | 74% | 89% |
| Gemini 3.5 Flash-Lite | 84% | 100% | 100% | 100% | 81% | 63% | 84% |
| gpt-4o-transcribe | 87% | 97% | 100% | 33% | 0% | 95% | 95% |

*Phone-line condition. Share of entities transcribed exactly (after normalising formats, so 332-910-9693 and 3329109693 count as the same). Small samples: one miss moves a 15-item column by about 7 points. gpt-4o-transcribe's 0% and 33% come from the broken transcripts above, not from mishearing.*

Os nomes foram a classe mais difícil para todos os modelos: apelidos pouco comuns do conjunto do Parlamento Europeu (Siwiec, Mates, Machiavelli) e nomes comuns de chamadores mal ouvidos numa linha telefónica ("James" como "Jane"). As sequências de dígitos ditas, o que os agentes telefónicos mais precisam, foram quase perfeitas na maioria dos modelos quando se ignora a formatação. Na prática, essa formatação importa: o Whisper large-v3 escreveu as horas como "1.45 pm" onde a maioria dos modelos escreveu "1:45 PM", e os modelos diferem nos hífenes e espaços em números de telefone. O analisador do seu agente tem de aceitar todas essas variantes.

### 4. Tempo de resposta

Para 12 turnos curtos de chamador (2,8 segundos de fala em média), enviados um a um como ficheiro concluído, os três modelos mais recentes da OpenAI responderam mais depressa: o gpt-transcribe com 0,61 s de mediana e 0,69 s no percentil 90. Os modelos Gemini demoraram entre 1,2 e 2,0 s na mediana. Os modelos alojados na fal incluem o encaminhamento próprio da fal. Os primeiros cinco pedidos do Wizper demoraram entre 5 e 30 segundos e os sete seguintes cerca de 2,5 s cada, o que parece ser a fal a ativar capacidade; reportamos como medido. Nada disto é latência de streaming. Um agente telefónico de produção faz streaming do áudio e recebe palavras parciais enquanto o chamador ainda fala, o que estes endpoints em lote não fazem; testaremos modelos de streaming quando tivermos chaves para eles.

## Text-to-speech: tempo até ao primeiro áudio

Um agente telefónico não pode falar até o modelo de voz enviar o seu primeiro áudio, pelo que o tempo até ao primeiro áudio (TTFA) é o valor que importa para o atraso de resposta. Enviámos as mesmas três frases de rececionista ("Thanks for calling Riverside Dental, this is Ava. How can I help you today?", uma proposta de consulta com data e hora, e uma confirmação com o final de um número de telefone), uma frase por pedido, 21 pedidos por modelo, em rotação entre os modelos, sobre uma ligação já estabelecida a partir da Califórnia.

| Voice model (vendor) | First audio p50 / p90 | Full sentence p50 / p90 | List price per hour of audio |
| --- | --- | --- | --- |
| Flash v2.5 (ElevenLabs) | 0.22 s / 0.28 s | 0.43 s / 0.54 s | $2.37 |
| v4 Turbo (ElevenLabs) | 0.29 s / 0.45 s | 1.05 s / 1.39 s | $2.01 |
| Gemini 3.8 Flash Lite TTS (Google) | 0.47 s / 0.51 s | 1.27 s / 1.44 s | $0.54 |
| gpt-4o-mini-tts (OpenAI) | 0.64 s / 0.77 s | 1.37 s / 1.55 s | $12 per 1M audio tokens; no hourly figure published |
| Gemini 3.8 Flash TTS (Google) | 0.68 s / 0.79 s | 1.95 s / 2.27 s | $0.81 |
| tts-1 (OpenAI) | 1.20 s / 1.64 s | 1.69 s / 2.46 s | $0.80 |
| Inworld TTS-1.5 Max (via fal) | not streamed | 4.12 s / 8.86 s | $0.45 on fal |
| MiniMax Speech 2.8 Turbo (via fal) | not streamed | 4.67 s / 6.78 s | $2.58 on fal |
| xAI TTS v1 (via fal) | not streamed | 3.19 s / 3.57 s | $0.77 on fal |

*Stork test, November 11, 2026. 21 requests per model, 0 errors. Price per hour = list price for the characters (or audio tokens) we sent, divided by the seconds of audio returned. ElevenLabs at its API list price of $0.04 per 1,000 characters; Google prices valid to December 31, 2026, then double.*

O Flash v2.5 da [ElevenLabs](https://try.elevenlabs.io/stork-tts) foi claramente o líder de latência: primeiro áudio em 0,22 s na mediana e abaixo de 0,3 s no percentil 90, cerca de duas vezes mais rápido do que a voz mais rápida que não é da ElevenLabs (Gemini 3.8 Flash Lite TTS, com 0,47 s). É também a voz de streaming mais cara aqui, cerca de 2,37 $ por hora de áudio ao preço de tabela, três a quatro vezes mais do que a Google e a OpenAI. O novo v4 Turbo da ElevenLabs começou quase tão depressa (0,29 s), mas demorou mais a concluir cada frase. O Gemini 3.8 Flash Lite TTS da Google foi a opção de streaming mais barata, a cerca de 0,54 $ por hora, com um primeiro áudio estável de 0,47 s. O tts-1, mais antigo, da OpenAI foi o mais lento a começar, com 1,2 s; o gpt-4o-mini-tts, mais recente, começou em 0,64 s.

Os três modelos a que acedemos apenas através da [fal.ai](https://stork.ai/en/fal-ai) (TTS-1.5 Max da [Inworld](https://get.platform.inworld.ai/911q5gfszy2s-bpprsc), MiniMax e xAI) devolvem um ficheiro concluído, não um stream, pelo que só podemos reportar o tempo até ao ficheiro completo, de 3 a 5 segundos na mediana, incluindo a fila da fal. Isso nada diz sobre a sua latência de streaming nas respetivas APIs, que não testámos. A Inworld foi a voz mais barata que medimos, a cerca de 0,45 $ por hora através da fal. Não avaliámos a qualidade da voz neste teste.

## Como testámos

- **Áudio, pessoas reais:** 105 turnos de chamador do corpus [Harper Valley Bank](https://github.com/cricketclub/gridspace-stanford-harper-valley) (Gridspace e Stanford, CC BY 4.0, tal como empacotado no [SLUE phase 2](https://huggingface.co/datasets/asapp/slue-phase-2)): pessoas a simular chamadas para um banco, dizendo os seus nomes, números de telefone e de conta, códigos postais, moradas, montantes e horas de marcação. Mais 50 enunciados do conjunto de entidades nomeadas SLUE VoxPopuli (discursos do Parlamento Europeu, áudio CC0, anotações CC BY 4.0) para fala com sotaque, com pessoas, locais, organizações, datas e números anotados. 155 enunciados, 16,6 minutos, escolhidos com uma semente aleatória fixa.
- **Três condições:** o áudio original a 16 kHz; uma linha telefónica (filtro passa-banda de 300 a 3.400 Hz, 8 kHz, G.711 mu-law, o codec da maioria das chamadas telefónicas nos EUA); e a linha telefónica com ruído de fundo rosa a 15 dB de relação sinal-ruído. Isto simula uma linha telefónica por software. Não é um percurso real de operadora, que pode acrescentar perda de pacotes e eco.
- **Pedidos:** os enunciados foram reunidos em 20 gravações de cerca de 50 segundos com pausas de um segundo, um pedido por gravação por modelo (600 pedidos para a precisão). O inglês foi definido sempre que a API o permite. Sem prompts, listas de palavras-chave nem vocabulário personalizado. Os modelos Gemini Flash receberam uma instrução de uma linha "transcribe verbatim"; o Gemini 3.5 Transcribe não aceita prompt.
- **Pontuação:** o [normalizador de texto inglês do Whisper](https://github.com/openai/whisper/blob/main/whisper/normalizers/english.py) da OpenAI em ambos os lados, mais quatro correções para que a formatação nunca conte como erro: parênteses retos mantidos, zeros à esquerda mantidos, "1.45 pm" lido como 1:45 pm, e cada dígito contado como uma palavra própria (de modo que um dígito errado num número de telefone é um erro, e "332-910-9693" equivale a "three three two nine one zero nine six nine three"). A taxa de erro de palavras é o total de erros dividido pelo total de palavras de referência, com um intervalo bootstrap de 95% sobre as gravações. Uma entidade só conta como correta se aparecer exatamente nas palavras alinhadas com o seu próprio enunciado. 14 entidades que nenhum modelo acertou em nenhuma condição foram eliminadas por serem erros de referência (sobretudo nomes cujos acentos foram removidos na referência, como "Pöttering" escrito "pttering").
- **Tempo de resposta:** 12 turnos de chamador na linha telefónica, enviados um a um, tempo real desde o envio do pedido até à receção da transcrição completa, a partir de um computador numa ligação doméstica na Califórnia. O tempo de envio está incluído. Os seus números serão diferentes consoante a localização; compare os modelos dentro desta tabela, não com números de outras fontes.
- **Modelos alojados:** o Scribe v2 da ElevenLabs, o Cohere Transcribe e o Whisper large-v3 foram chamados através da [fal.ai](https://stork.ai/en/fal-ai), porque a nossa chave da ElevenLabs não tem permissão de speech-to-text e não temos chave da Cohere. A fal acrescenta o seu próprio tempo de encaminhamento e cobra os seus próprios preços (0,008 $ por minuto pelo Scribe v2, contra os 0,20 $ por hora diretos da ElevenLabs).
- **Preços:** preços de tabela da página de cada fornecedor a 11 de novembro de 2026: [OpenAI](https://platform.openai.com/docs/pricing), [ElevenLabs](https://elevenlabs.io/pricing/api), [Google](https://ai.google.dev/gemini-api/docs/pricing), [Cohere](https://docs.cohere.com/docs/transcribe) e as páginas de modelos da fal. O Gemini 3.8 Flash e o Flash-Lite faturam por tokens; estimámos o seu custo por hora a partir de 25 tokens de áudio por segundo mais o texto devolvido. A página da Google indica que os preços do Gemini 3.8 Flash duplicam a 1 de janeiro de 2027. A fal não mostra um preço por minuto utilizável para o Wizper. A Cohere vende o Transcribe de produção através de instâncias dedicadas "from $3.75 / hour / instance", não por minuto.
- **Modelos de voz:** uma frase por pedido, 7 rondas das 3 frases (21 pedidos por modelo), com os modelos intercalados para que uma falha de rede afete todos. Primeiro, um pedido de aquecimento sem pontuação por fornecedor, para que o estabelecimento da ligação não conte. Primeiro áudio = do envio do pedido à receção dos primeiros bytes de áudio não vazios. A ElevenLabs usou a sua voz predefinida "Adam", a OpenAI "alloy", a Google "Kore", e a fal as suas vozes por defeito.
- **Custo deste teste:** cerca de 3,30 $ em chamadas de API a preços de tabela (as nossas estimativas por chamada, registadas), mais cerca de 600 créditos do plano da ElevenLabs. O harness, o construtor do conjunto de teste e o avaliador estão no repositório da Stork em scripts/bench, e as transcrições em bruto são conservadas para que todos os números aqui possam ser verificados.

## O que este teste não diz

- **Precisão e latência em streaming.** Todos os modelos aqui foram chamados com um ficheiro concluído. Os agentes telefónicos usam reconhecimento em streaming com deteção de fim de turno, que é um modo diferente e geralmente menos preciso.
- **Modelos a que não conseguimos aceder.** Não testados nesta ronda: Deepgram (Nova-3, Flux), AssemblyAI (Universal), Speechmatics, Soniox, Gladia, Cartesia Ink, Rime, Azure, Amazon Transcribe, Google Cloud Chirp, ElevenLabs Scribe v3 direto e Whisper alojado na Groq. Um modelo em falta não é um modelo pior.
- **Chamadores reais em linhas reais.** Os chamadores do Harper Valley são pessoas reais, mas a representar um papel, gravadas numa aplicação web, e a nossa linha telefónica é simulada. Sotaques, alta-voz e auriculares Bluetooth baratos serão mais difíceis.
- **Tamanho da amostra.** 245 entidades pontuadas e 16,6 minutos por condição bastam para separar bons modelos de modelos fracos, não para ordenar os cinco primeiros. Algumas classes de entidades têm 15 ou 16 itens.
- **Uma única execução.** As contagens de transcrições com falhas vêm de uma única passagem. Algumas podem não se repetir; informaremos no próximo mês se isso acontece.

## A seguir: um teste completo de agente telefônico

Os números dos componentes não indicam o que o interlocutor ouve. Nosso próximo teste constrói a mesma recepcionista em Vapi, Retell, ElevenLabs Agents, Telnyx, Bland e em uma stack LiveKit ou Pipecat hospedada por conta própria, liga para cada uma pela rede telefônica real a partir de um número real e mede o tempo de atendimento, o atraso na resposta, as interrupções, se o agente registrou corretamente o nome, o número e o endereço do interlocutor e o custo real por minuto. Se você opera uma dessas plataformas e deseja ser incluído, nada muda: pagamos por nossas próprias contas e não aceitamos taxas de posicionamento.

## Perguntas frequentes

### Qual modelo de speech-to-text é o mais preciso em chamadas telefônicas?

No teste da Stork de novembro de 2026 com áudio telefônico G.711 simulado, OpenAI gpt-transcribe e gpt-4o-mini-transcribe (5,5% de taxa de erro de palavras), ElevenLabs Scribe v2 e Gemini 3.5 Transcribe (5,9%) e Gemini 3.8 Flash (6,0%) ficaram empatados dentro da margem de erro. O gpt-transcribe acertou mais nomes, dígitos e endereços (97,5%) e respondeu mais rápido.

### O áudio telefônico de 8 kHz piora muito a transcrição?

Não para os melhores modelos atuais do nosso teste. Passar do áudio de 16 kHz para G.711 de 8 kHz alterou a taxa de erro de palavras do gpt-transcribe, do gpt-4o-mini-transcribe, do Gemini 3.5 Transcribe e do ElevenLabs Scribe v2 em 0,3 ponto ou menos. Adicionar ruído de fundo com relação sinal-ruído de 15 dB custou à maioria deles de 0,4 a 2,0 pontos.

### O gpt-4o-transcribe é bom para agentes telefônicos?

Foi o modelo menos confiável do nosso teste: em 6 de 60 gravações, retornou apenas parte do que foi dito, o que elevou sua taxa de erro a 15% na linha telefônica. Os mais novos gpt-transcribe e gpt-4o-mini-transcribe, da OpenAI, não tiveram essas falhas e custam menos.

### Quanto custa o speech-to-text por hora?

Preços de tabela em 11 de novembro de 2026: OpenAI gpt-4o-mini-transcribe $0,18, gpt-transcribe $0,27, whisper-1 e gpt-4o-transcribe $0,36 por hora; ElevenLabs Scribe v2 $0,20 por hora diretamente ($0,48 via fal); Gemini 3.5 Transcribe cerca de $0,30 por hora, segundo estimativa do Google.

### Qual modelo de text-to-speech tem a menor latência?

No nosso teste de novembro de 2026, o ElevenLabs Flash v2.5 enviou o primeiro áudio em 0,22 segundo na mediana e 0,28 segundo no percentil 90, cerca de duas vezes mais rápido que a voz mais rápida que não é da ElevenLabs. O Gemini 3.8 Flash Lite TTS, do Google, foi a voz com streaming mais barata, a cerca de $0,54 por hora de áudio, com o primeiro áudio em 0,47 segundo.

### Por que Deepgram e AssemblyAI não aparecem?

Testamos apenas com chaves de API que a Stork já possui e, neste mês, não tínhamos nenhuma para Deepgram, AssemblyAI, Speechmatics, Soniox, Gladia, Cartesia ou Rime. Eles são os primeiros da lista para a próxima execução mensal.