Como rodar o Whisper localmente

O que "rodar o Whisper localmente" significa de verdade

Rodar o Whisper localmente significa que a transcrição acontece no processador do seu próprio computador, não em algum servidor remoto. Você fornece o áudio, o modelo converte em texto, e nada sai da máquina. Esse é o atrativo. A planilha de salários do seu chefe lida em voz alta, o e-mail para a escola do seu filho, uma ligação gravada com um cliente — nada disso toca os logs de um fornecedor só porque você quis digitar com a voz. Local primeiro ou nem começa, na minha opinião — e vou marcar essa opinião com um número mais adiante.

O Whisper em si é só o modelo. A OpenAI o treinou e liberou os pesos sob a licença MIT, por isso qualquer um pode baixar e rodar sem pagar. Existem vários tamanhos de modelo, de um minúsculo com 39 milhões de parâmetros até um modelo grande com 1,55 bilhão, e você escolhe com base em quanta precisão precisa versus quanto o seu hardware aguenta. O modelo é o mesmo seja rodando pelo terminal ou dentro de um aplicativo. O que muda é o invólucro ao redor dele.

E o invólucro é toda a questão. Existem dois, ambos legítimos. A ferramenta oficial de linha de comando da OpenAI: gratuita, scriptável, baseada em Python, feita para transcrever arquivos. E aplicativos de desktop que carregam o mesmo tipo de modelo por trás de uma janela normal, então você aperta uma tecla e fala em vez de digitar um comando. A verdade chata é que a maioria das pessoas que pesquisa esse termo quer um dos dois e ainda não sabe qual. As próximas duas seções são exatamente esses dois caminhos.

A rota do desenvolvedor: Python, pip e ffmpeg

Se você se sente à vontade no terminal, o projeto oficial é a resposta mais direta — e é genuinamente gratuito. Você precisa de três coisas na máquina: Python (o projeto tem como alvo as versões 3.8 a 3.11), o pacote Whisper em si e o ffmpeg, que é a ferramenta de áudio que o Whisper usa para ler os arquivos. A instalação são dois comandos. `pip install -U openai-whisper` baixa o pacote e a dependência do PyTorch. Depois o ffmpeg, que depende do seu sistema operacional — `brew install ffmpeg` no Mac, `choco install ffmpeg` ou `scoop install ffmpeg` no Windows, `sudo apt install ffmpeg` no Ubuntu.

Com tudo instalado, você roda contra um arquivo. `whisper audio.mp3 --model turbo` transcreve a gravação e grava o texto. Adicione `--language Japanese` para pular a detecção automática, ou `--task translate` para que uma gravação em outro idioma saia em inglês. Isso é o núcleo do negócio. É uma ferramenta de áudio-entra, texto-sai, e ela é boa exatamente nisso. Aponte para uma pasta de memorandos de voz de noite e ela vai processar tudo sem você precisar ficar olhando.

A realidade do hardware é onde as expectativas batem numa parede. Os tamanhos oficiais de modelo são tiny (39M de parâmetros), base (74M), small (244M), medium (769M), large (1,55B) e turbo (809M). A VRAM que cada um exige conta a história real: cerca de 1 GB para o tiny, uns 2 GB para o small, em torno de 5 GB para o medium e aproximadamente 10 GB para o modelo large. Esses números são para uma GPU. Você consegue rodar os modelos menores numa CPU, mas uma GPU dedicada é o que torna os maiores suportáveis. Certa vez desenhei uma configuração limpa de "só rodar o large no meu notebook" e fiquei vendo ele arrastar na placa integrada. O diagrama sempre erra na segunda revisão. A CPU termina eventualmente; o modelo large num notebook fino não é um plano para uma tarde tranquila de terça-feira.

A rota sem terminal: rodar o Whisper em um aplicativo de desktop

Se você nunca quer ver um prompt de comando, esse é o outro caminho honesto. Whisper by Remskill é um aplicativo de desktop para Windows 10 ou mais recente e Macs com Apple Silicon que roda o Whisper localmente por você — os modelos são baixados dentro do próprio aplicativo, sem pip, sem ffmpeg, sem Python. Ele também roda o Parakeet, um segundo motor local que vou mencionar mais adiante. Todo o pipeline local é gratuito para qualquer conta conectada, sem pedir método de pagamento no cadastro. Aqui está a sequência.

A parte lenta é o download do modelo, igual à rota CLI — os pesos são os pesos. Todo o resto são os quatro passos acima. A diferença é que não há terminal entre você e o modelo, e em vez de áudio-entra-texto-sai, você tem um atalho de teclado que dita onde quer que o cursor esteja. Mesmo Whisper por baixo, trabalho diferente por cima.

Qual modelo e que hardware você precisa

As duas rotas pedem para você escolher um modelo, e a decisão se resume ao mesmo equilíbrio: modelos maiores são mais precisos e mais lentos; modelos menores são mais rápidos e mais leves. Na CLI oficial, o modelo large quer cerca de 10 GB de VRAM e o small uns 2 GB, então sua placa de vídeo define o teto. No aplicativo de desktop, os modelos Whisper se dividem em somente inglês e multilíngue, com o modelo padrão de inglês ocupando cerca de 480 MB em disco e o maior multilíngue cerca de 3 GB. As versões multilíngues cobrem 99 idiomas e conseguem traduzir para o inglês; as versões somente inglês são somente inglês.

O outro motor local do aplicativo vale ser mencionado aqui, porque ele contorna o problema de hardware para muita gente. Parakeet é o modelo TDT da NVIDIA, com cerca de 600 MB, e roda de 5 a 10 vezes mais rápido que o Whisper numa CPU. Cobre inglês mais 24 outras línguas europeias, 25 no total, sem tradução para o inglês. Se você fala principalmente em inglês e não tem uma GPU potente, o Parakeet é a escolha local rápida. Se você precisa de chinês, japonês, coreano ou tradução, esse é o território multilíngue do Whisper e o Parakeet não chega lá. Enquanto você fala, uma pequena cápsula mostra que o aplicativo está escutando:

A única coisa que você pode fazer para melhorar a precisão não é um modelo maior. Um microfone USB de $20 faz mais pela sua transcrição do que pular dois tamanhos de modelo — áudio limpo ganha de um modelo mais pesado alimentado com a bagunça do microfone do notebook. Invista no microfone primeiro, depois pense no modelo. Esse é o único conselho de hardware que eu colocaria no papel e defenderia.

Local ou nuvem: qual modo para qual trabalho

Se sua máquina tem Apple Silicon ou seu PC é dos últimos anos, tente o local primeiro. A nuvem é a válvula de escape, não o padrão. Mas o aplicativo de desktop faz você escolher entre três caminhos, e prefiro que você escolha bem — por isso, veja como eles diferem.

Veja como os três caminhos diferem, porque o aplicativo faz você escolher:

• Parakeet Local — Motor TDT da NVIDIA, com cerca de 600 MB, e a opção local mais rápida — de 5 a 10 vezes mais rápido que o Whisper na CPU. Cobre inglês mais 24 outras línguas europeias, 25 no total. Sem tradução para o inglês. Se você dita em inglês ou em outra língua europeia e quer velocidade sem precisar de GPU, essa é a escolha totalmente offline.
• Whisper Local — mais lento que o Parakeet na mesma máquina, mas as versões multilíngues cobrem 99 idiomas e conseguem traduzir para o inglês. As versões somente inglês são somente inglês, não 99. Escolha esse para chinês, japonês, coreano ou qualquer trabalho de tradução que o Parakeet não consegue fazer. O modelo padrão de inglês tem cerca de 480 MB; o maior multilíngue tem cerca de 3 GB.
• Nuvem (OpenAI, BYOK) — melhor precisão e acesso à web, usando sua própria chave da OpenAI cobrada diretamente pela OpenAI. A transcrição roda em gpt-4o-mini-transcribe por padrão. Precisa de internet, então é o único caminho que sai da sua máquina. O recurso de Nuvem faz parte do Whisper Pro.

A verdade chata é que, para ditado do dia a dia, o local é mais do suficiente, e os dois motores locais rodam totalmente na sua máquina sem enviar nada a um servidor. A nuvem ganha seu espaço quando você quer precisão máxima numa gravação difícil, ou precisa que o modelo busque um dado na web no meio de uma frase. Qualquer que tenha sido o caminho que você escolheu para rodar o Whisper localmente — a CLI ou o aplicativo — a história de privacidade é a mesma: o áudio fica onde está. Se ficar offline é o principal motivo de você estar aqui, reconhecimento de voz offline vai mais fundo nisso.

Precisão, pontuação e como limpar a transcrição bruta

Seja lá o que rodar o Whisper, o ditado bruto sai como um texto corrido. Você diz "tá bom então transcreve a gravação da daily depois manda o resumo pro time antes do almoço", e esse é o muro sem pontuação que qualquer motor de fala te entrega. A CLI oficial te dá esse texto e para por aí — a limpeza é sua responsabilidade, num script ou na mão. Tudo bem para transcrição em lote onde você vai processar o resultado depois de qualquer jeito.

O aplicativo de desktop pode fazer a limpeza por você antes do texto chegar. Diga a frase de ativação "Hey whisper" e um passe de IA remove os vícios de linguagem, corrige o texto corrido e adiciona pontuação. Num modelo local, isso roda pelo Ollama na sua máquina; no modo nuvem é gpt-5-mini por padrão. A diferença entre bruto e limpo é a diferença entre uma transcrição que você precisa editar e uma que você já consegue enviar:

A precisão em si é basicamente uma questão de modelo e microfone, e já falei do microfone. No lado do modelo, as versões multilíngues maiores do Whisper são fortes em 99 idiomas, e o modo nuvem adiciona a transcrição de ponta da OpenAI se uma gravação for genuinamente difícil. Mas para áudio limpo e fala normal, até os modelos pequenos são sólidos, e sair correndo atrás do maior modelo num hardware fraco te compra uma saída mais lenta por uma precisão que você provavelmente nem vai notar. Combine o modelo com o trabalho, não com as fichas técnicas.

Se seu objetivo principal é falar em vez de digitar o dia inteiro, o mesmo fluxo fala-depois-limpa é o que permite converter voz em texto no Windows sem abrir um terminal em nenhum momento — que é justamente o ponto da rota sem CLI.

Quando a linha de comando é a escolha certa

Às vezes o terminal é genuinamente a ferramenta melhor, e fingir o contrário para te vender um aplicativo seria desonesto. A CLI oficial da OpenAI é gratuita, licenciada pelo MIT e feita para um trabalho que o aplicativo de desktop não faz: transcrever arquivos, em lote, a partir de um script. Se esse é o seu trabalho, pule o aplicativo.

Recorra à linha de comando quando você tem uma pasta de gravações para processar em lote de noite, quando quer o Whisper dentro de um pipeline Python maior ou num servidor que você controla, quando precisa de um flag de modelo específico que a GUI não expõe, ou quando você simplesmente já vive no terminal e não quer mais uma janela aberta. Também é a escolha certa no Linux, para o qual o aplicativo de desktop não tem versão. A CLI roda em qualquer lugar onde o Python e o ffmpeg rodam. Nada disso é uma crítica ao aplicativo — é só um formato diferente de problema.

Recorra ao aplicativo de desktop quando o trabalho é ditado, não processamento de arquivo: você quer falar no e-mail, nos documentos, no chat e ter as palavras aparecendo no cursor com uma tecla. A CLI não consegue colar no cursor de outro programa; nunca foi esse o trabalho dela. Então a divisão honesta é — arquivos e scripts, use o terminal; falar em vez de digitar, use o aplicativo. A maioria das pessoas, assim que fica clara sobre o que queria, sabe imediatamente de qual lado está.

A mesma lógica de no dispositivo, sem nuvem se aplica se você estiver configurando isso num Mac — o passo a passo em voz para texto no Mac cobre o lado do Apple Silicon, incluindo a permissão de Acessibilidade que o atalho de teclado precisa.

Whisper rodando na sua própria máquina é um dos melhores negócios do mundo do software agora — um modelo que a OpenAI deu de graça, o mesmo que grandes ferramentas de nuvem chamam discretamente por baixo dos panos, sentado no seu disco sem custar nada. A única decisão real é qual invólucro se encaixa no seu dia. Eu uso a CLI quando tenho arquivos para processar, e o aplicativo nos outros 95% do tempo, porque troco de programa umas quarenta vezes por hora e não quero digitar um comando para cada uma. Ditei boa parte deste guia com um atalho de teclado, numa caixa de texto que não era um terminal, com o modelo rodando no mesmo notebook o tempo todo.