Whisper: transcrição local do zero

Por que rodar na sua máquina

O Whisper é um modelo de transcrição da OpenAI, aberto desde 2022, com licença MIT. Ele pega áudio e devolve texto. E ao contrário de praticamente tudo que a OpenAI lançou depois dele, esse aqui você baixa e roda na sua máquina, de graça, quantas vezes quiser.

Isso importa por três motivos práticos. O primeiro é custo: serviço de transcrição cobra por hora de áudio, e quem transcreve live, aula ou reunião com frequência sente isso rápido. O segundo é privacidade: usar serviço na nuvem significa subir a gravação da sua reunião, da sua consulta ou da sua apuração pro servidor de outra pessoa. O terceiro é que ele não precisa de placa de vídeo. Roda em processador comum, e é isso que abre a porta pra ele viver num servidor barato ligado o tempo todo.

Qual Whisper é o seu

O Whisper é uma família, não um modelo só. E é aqui que quase todo mundo tropeça, porque a tabela oficial do repositório lista a memória que cada tamanho pede e os números assustam:

Se você olhar essa tabela e olhar pro seu servidor de oito giga com outras coisas rodando, fecha a aba e desiste. Foi o que eu quase fiz.

O detalhe que muda tudo: essa tabela é medida em precisão cheia (fp16), que é o formato pra rodar em placa de vídeo. Quando você roda em processador comum, o modelo é quantizado pra int8, que é uma versão comprimida dele. O texto que sai é praticamente o mesmo, e o consumo cai pela metade ou mais.

A escolha real é entre dois

Depois de medir a família inteira, sobrou o small e o large-v3-turbo. E o eliminado surpreende: o medium, que todo mundo recomenda como meio-termo sensato, não tem mais função. Medi ele contra o turbo e o turbo ganha nos dois eixos que custam dinheiro, é mais rápido e usa menos memória, e no acerto de palavra difícil os dois empatam.

Isso acontece porque o turbo é o modelo grande podado. A OpenAI cortou a parte dele que escreve o texto, o decoder, de 32 camadas pra 4, e retreinou. Ele ficou com o ouvido do modelo grande e a boca de um modelo pequeno. É mais novo que o medium e foi feito exatamente pra ocupar esse lugar.

Os números que eu medi

Tudo daqui pra frente vem de uma bateria própria de 90 execuções, rodada em julho de 2026 em duas máquinas, sempre com o mesmo trecho de 90 segundos de áudio dos meus próprios vídeos, e sempre reportando a mediana de nove repetições por configuração. A ideia é que você escolha com número atrás, não com achismo.

Numa VPS de 2 vCPU, sem placa de vídeo

Plano KVM 2 da Hostinger: dois núcleos EPYC 9354P, 8 GB de RAM, quantização int8, e com doze containers meus já rodando na mesma máquina (site, dashboards, o sistema do Lorcana). Ou seja, é medição em máquina ocupada, não em laboratório vazio.

Compare com a tabela oficial: o small "pede 2 GB" e usou 771 MB. O turbo "pede 6 GB" e usou 1,65 GB. O topo da família cabe com folga num servidor de oito giga que já está fazendo outras cinco coisas. E "2,4× tempo real" quer dizer que ele transcreve mais rápido do que o áudio toca, que é o que importa.

Num MacBook Pro M4 Max

Mesmo áudio, rodando via MLX (a biblioteca da Apple pro chip da própria Apple):

Repare no medium: mais lento e mais pesado que o turbo. É o dado que o elimina.

Traduzindo pro seu caso

Extrapolando o tempo medido pra material longo, numa VPS de 2 vCPU:

Ditado no desktop com o Handy

Esse é o uso que mudou a minha rotina: falar em vez de digitar, em qualquer campo de texto do sistema. O ditado que já vem no macOS é pobre, erra pontuação e não entende quase nenhuma palavra em inglês, o que pra quem fala de tecnologia significa que metade das palavras que importam sai errada.

A solução é o Handy: aberto, gratuito, roda em Windows, macOS e Linux, e faz uma coisa só. Você segura um atalho, fala, solta, e o texto aparece onde o cursor estiver. Por baixo, ele roda o Whisper, e o áudio não sai da sua máquina.

Montando no servidor

O seu computador é o pior lugar do mundo pra fazer trabalho pesado de transcrição. Ele desliga, ele viaja com você, e ele tem coisa mais importante pra fazer do que passar quarenta minutos moendo o áudio de uma live enquanto você tenta trabalhar.

Um servidor ligado o tempo todo resolve isso. Eu uso uma VPS da Hostinger, plano KVM 2 (2 vCPU, 8 GB de RAM, 100 GB de disco), que é a mesma máquina onde rodam os meus doze containers. Serve qualquer VPS Linux, e serve também um mini PC em casa. O que importa é ficar ligado e ter uns 2 GB de RAM livres.

Os três comandos

Conecte no servidor por SSH e rode, em ordem. São três passos: criar um ambiente isolado, instalar o motor, e transcrever.

python3 -m venv ~/whisper-tests/.venv
source ~/whisper-tests/.venv/bin/activate

pip install faster-whisper

python transcrever.py audio.wav

scp audio.wav usuario@ip-do-servidor:~/whisper-tests/

O script de transcrição

Esse é o arquivo mínimo que funciona. Crie ele com nano transcrever.py, cole, e salve com Ctrl+O e depois Ctrl+X.

import sys
from faster_whisper import WhisperModel

# 'small' ou 'large-v3-turbo'. device='cpu' e compute_type='int8'
# são o que faz caber em 771 MB sem placa de vídeo.
modelo = WhisperModel('small', device='cpu', compute_type='int8')

segmentos, info = modelo.transcribe(
    sys.argv[1],
    language='pt',
    beam_size=5,
)

for s in segmentos:
    print(s.text.strip())

Linha por linha, o que cada coisa faz:

Ajuste 1: entregue o vocabulário antes

O erro mais comum de todos: o modelo escreve errado nome próprio e jargão. Não é burrice dele, é que ele nunca ouviu falar do assunto que você fala.

No meu teste, peguei o áudio de um vídeo sobre Path of Exile 2 e mandei o small transcrever. Toda vez que eu falo "endgame", que é o termo mais importante de um jogo desses, ele escreveu "indie game". Todas as vezes. "Early Access" virou "Aliacias". Em outro vídeo, llama.cpp virou "Lhamma ponto CPP" e "Gemma" virou "Gema".

A correção é uma linha. O Whisper aceita que você entregue uma lista de palavras antes de ele começar, no parâmetro initial_prompt. É literalmente escrever os termos que vão aparecer.

VOCABULARIO = (
    'Vocabulário: Path of Exile 2, endgame, Early Access, GGG, '
    'llama.cpp, Gemma, LFM2.5, Liquid AI, ZimaCube, ZimaBoard, '
    'Ollama, VPS, Diablo 4, cubo Horádrico, Cerrigar, Paragon.'
)

segmentos, info = modelo.transcribe(
    sys.argv[1],
    language='pt',
    beam_size=5,
    initial_prompt=VOCABULARIO,
)

O resultado medido, com a mesma lista e o mesmo áudio:

Monte a sua lista com os termos que aparecem no seu áudio: nomes de produto, siglas da sua área, nomes de pessoas da sua equipe, jargão do seu nicho. Vale escrever uma frase de exemplo junto, com a pontuação do jeito que você quer, porque o modelo também copia o estilo de escrita do prompt.

Ajuste 2: o loop infinito

Esse é assustador de ver. Aconteceu comigo com o turbo, num áudio que eu tinha cortado no meio de uma frase. Ele transcreveu tudo certinho e, quando chegou no corte, escreveu "Muito obrigado" vinte e oito vezes seguidas.

A explicação ensina como ele pensa. O Whisper usa o que já transcreveu como pista pro que vem em seguida, e é isso que dá coerência ao texto. Só que, quando o áudio termina de forma abrupta, ele fica sem pista nova, se agarra na última frase que produziu e entra em ciclo. É um modelo mordendo o próprio rabo.

A correção desliga essa realimentação:

condition_on_previous_text=False

Rodei três vezes com a chave desligada e o loop não aconteceu nenhuma vez.

O custo é pequeno: sem a realimentação, o modelo perde um pouco de coerência entre um bloco e outro, tipo repetir uma palavra que já tinha estabelecido. Na prática, trocar isso por não ter loop é um bom negócio.

Ajuste 3: fala inventada no silêncio

O mais esquisito dos três. Eu gerei trinta segundos de silêncio absoluto, um arquivo de áudio com nada dentro, e mandei transcrever.

O small respondeu corretamente: nada. O medium também. O turbo, o modelo mais capaz da família, me devolveu com toda a confiança do mundo a frase "Legenda Adriana Zanotto". Rodei três vezes pra ter certeza. Três vezes o mesmo nome.

Isso é um fantasma do treinamento. O modelo foi treinado com legendas de filme e de novela, e legenda termina com os créditos de quem legendou. Quando ele não tem nada pra ouvir, ele preenche o vazio com o que viu mais vezes no fim de arquivos parecidos. Ele te dá o nome de uma legendista brasileira que existe, que trabalha, e que nunca teve nada a ver com o seu áudio.

A correção liga um detector de voz na frente do modelo. Ele checa se tem alguém falando antes de deixar o Whisper trabalhar:

vad_filter=True

Liguei, rodei o mesmo silêncio, e voltou vazio, como tem que ser.

A receita final, junta

Esse é o script que eu de fato uso. Ele tem os três ajustes ligados, salva o texto num arquivo ao lado do áudio, e imprime quanto tempo levou.

import sys
import time
from pathlib import Path
from faster_whisper import WhisperModel

# ── Ajuste 1: os termos do SEU mundo. Edite esta lista. ──────────────
VOCABULARIO = (
    'Vocabulário: Path of Exile 2, endgame, Early Access, GGG, '
    'llama.cpp, Gemma, LFM2.5, Liquid AI, ZimaCube, ZimaBoard, '
    'Ollama, VPS, Diablo 4, cubo Horádrico, Cerrigar, Paragon.'
)

MODELO = 'small'          # ou 'large-v3-turbo'

entrada = Path(sys.argv[1])
inicio = time.time()

modelo = WhisperModel(MODELO, device='cpu', compute_type='int8')

segmentos, info = modelo.transcribe(
    str(entrada),
    language='pt',
    beam_size=5,
    initial_prompt=VOCABULARIO,        # Ajuste 1: vocabulário
    condition_on_previous_text=False,  # Ajuste 2: não entra em loop
    vad_filter=True,                   # Ajuste 3: não inventa no silêncio
)

saida = entrada.with_suffix('.txt')
with open(saida, 'w', encoding='utf-8') as f:
    for s in segmentos:
        linha = s.text.strip()
        print(linha)
        f.write(linha + '\n')

print(f'\n--- {saida.name} · {time.time() - inicio:.1f}s ---')

Quer legenda com tempo em vez de texto corrido?

Cada segmento tem s.start e s.end em segundos. Trocando o laço de escrita por isto, sai um arquivo .srt que qualquer player abre:

def hms(seg):
    h, resto = divmod(seg, 3600)
    m, s = divmod(resto, 60)
    return f'{int(h):02d}:{int(m):02d}:{int(s):02d},{int(s % 1 * 1000):03d}'

saida = entrada.with_suffix('.srt')
with open(saida, 'w', encoding='utf-8') as f:
    for i, s in enumerate(segmentos, 1):
        f.write(f'{i}\n{hms(s.start)} --> {hms(s.end)}\n{s.text.strip()}\n\n')

Rodando de madrugada, sozinho

A graça de ter isso num servidor é não precisar estar na frente. Coloque no crontab pra varrer uma pasta toda noite às duas da manhã:

0 2 * * * cd ~/whisper-tests && ./.venv/bin/python varrer.py ~/audios >> ~/whisper.log 2>&1

Onde varrer.py é o script acima num laço sobre os arquivos da pasta que ainda não têm .txt ao lado. Você joga os áudios lá durante o dia e de manhã o texto está pronto.

O que montar com isso

Cinco coisas que ficam possíveis quando você tem transcrição de graça e ilimitada num servidor. As duas primeiras rodam na minha VPS há meses.

Servidor compatível com a API da OpenAI

Esse é o pulo do gato pra ligar o resto das suas ferramentas nisso. Em vez de um script que você chama na mão, você sobe um servidor que fala a mesma língua da API de transcrição da OpenAI. Qualquer programa que já saiba conversar com a OpenAI passa a funcionar apontando pro seu servidor, sem reescrever nada. Você troca o endereço e pronto.

A opção mais direta é o Speaches, que sobe em Docker:

docker run -d --name speaches \
  -p 8000:8000 \
  -v ~/.cache/huggingface:/home/ubuntu/.cache/huggingface \
  ghcr.io/speaches-ai/speaches:latest-cpu

E o teste, que é o mesmo formato de chamada da OpenAI:

curl http://localhost:8000/v1/audio/transcriptions \
  -F "[email protected]" \
  -F "model=Systran/faster-whisper-small"

Outras ferramentas que valem conhecer

Deu errado? Comece por aqui

Próximos passos

Se você chegou até aqui com o script rodando, você tem uma central de transcrição própria, ilimitada e privada. O caminho natural daqui é ligar ela nas suas outras ferramentas pela API, e proteger o acesso com uma VPN em vez de abrir porta.