Transcrever áudio com Whisper é o caminho mais barato para transformar reuniões, aulas e entrevistas em texto: o modelo é gratuito, roda no seu próprio computador e reconhece fala em português a partir de um único comando no terminal. Desenvolvido pela OpenAI e descrito em artigo publicado em dezembro de 2022, o sistema foi treinado com 680,000 horas de áudio multilíngue e multitarefa, o que explica por que ele transcreve e traduz dezenas de idiomas sem exigir ajuste manual. Este guia mostra qual versão instalar, quanto de memória cada modelo pede e como sair do arquivo bruto ao texto revisado em cinco passos.
O que é o Whisper
O Whisper é um modelo de reconhecimento de fala de propósito geral, construído sobre uma arquitetura de transformador que converte sequências de áudio em texto. Ele combina em um único sistema três tarefas: transcrição em vários idiomas, tradução da fala para o inglês e identificação do idioma falado. Internamente, o áudio é processado em uma janela deslizante de 30 segundos, e cada janela gera previsões em sequência — por isso arquivos muito longos demoram mais, mesmo em máquinas potentes.
O projeto é aberto: o repositório oficial no GitHub traz o código, os exemplos de uso e as instruções de instalação, e o código e os pesos do Whisper foram publicados sob a licença MIT, o que permite uso comercial sem royalties. Isso muda a conta para quem precisa transcrever muito: você paga apenas a energia do computador, não uma tarifa por minuto de áudio.
Escolhendo o modelo certo
Antes de rodar o primeiro comando, vale escolher o tamanho do modelo conforme a memória disponível. Na prática, os modelos do Whisper variam do tiny, com 39 M de parâmetros e ~1 GB de VRAM, ao large, com 1550 M e ~10 GB, além do turbo, com 809 M e ~6 GB. Em computadores sem placa de vídeo dedicada, small e medium costumam ser o equilíbrio entre velocidade e qualidade; o turbo é uma versão otimizada do large, mais rápida com perda mínima de precisão.
| Modelo | Parâmetros | VRAM aproximada | Indicação |
|---|---|---|---|
| tiny | 39 M | ~1 GB | testes rápidos e máquinas fracas |
| base | 74 M | ~1 GB | uso leve no dia a dia |
| small | 244 M | ~2 GB | bom equilíbrio sem placa dedicada |
| medium | 769 M | ~5 GB | mais qualidade em CPU ou GPU modesta |
| large | 1550 M | ~10 GB | máxima precisão, exige GPU robusta |
| turbo | 809 M | ~6 GB | veloz e quase tão preciso quanto o large |
Como transcrever em cinco passos
- Instale o Python 3 (a recomendação oficial cobre as versões 3.8 a 3.11) e rode
pip install -U openai-whisper. - Instale o ffmpeg, exigido para ler os arquivos de áudio; no Ubuntu basta
sudo apt install ffmpeg, e no Windows há Chocolatey e Scoop. - Prepare o áudio em um formato comum (MP3, WAV ou FLAC) com a melhor qualidade possível — ruído de fundo e vozes sobrepostas puxam a precisão para baixo.
- Rode
whisper gravacao.mp3 --model small --language Portuguese. Para traduzir a fala para o inglês em vez de transcrever, use--task translatecom um modelo multilíngue (medium ou large), porque o turbo não foi treinado para tradução. - Confira o resultado no terminal e salve o texto: nomes próprios, números e siglas são os pontos que mais precisam de revisão humana antes de qualquer uso sério.
Custo real e licença
Diferente de serviços que cobram por minuto de áudio, o Whisper não tem tarifa: o custo real se resume ao tempo de processamento e à energia gasta pela máquina. Para quem transcreve com frequência, um notebook comum resolve arquivos curtos com os modelos pequenos; large e turbo compensam em computadores com placa de vídeo dedicada. E, como tudo roda localmente, você fica sem enviar o áudio para a nuvem — uma diferença importante para entrevistas confidenciais, dados de clientes e reuniões internas.
Limites e alternativas
Nenhum modelo de transcrição é infalível, e o Whisper não é exceção: áudio com ruído forte, gírias regionais e falas sobrepostas geram erros, e a revisão humana continua obrigatória em textos que serão publicados. Se o objetivo é ir além do modelo pronto, o guia de reconhecimento automático de fala da Hugging Face mostra como ajustar modelos como o Wav2Vec2 e usar o resultado para inferência, incluindo uma pipeline de transcrição em poucas linhas de código.
Depois da transcrição, o texto vira insumo: você pode resumir atas com um assistente de linguagem seguindo boas práticas de engenharia de prompt, ou juntar várias transcrições aos seus próprios documentos para consultá-las depois com RAG.