Como transcrever áudio rápido

Quanto tempo leva transcrever uma hora de áudio, por método

A primeira coisa a entender é que rápido é um espectro, e a diferença é enorme. Veja o que uma hora de áudio claro custa, por método.

O salto de horas para minutos é o único número que importa aqui. Dois minutos ou seis para a passagem da IA, é ruído perto das quatro horas que você não vai passar digitando. A NVIDIA reporta seu modelo Parakeet rodando milhares de vezes mais rápido que o tempo real no hardware do leaderboard open-ASR, mas eu ignoraria esse número de manchete. Sua velocidade real depende da sua CPU, não de uma máquina de benchmark. O número em que você pode confiar é o do próprio aplicativo: o Parakeet roda 5–10x mais rápido que o Whisper no mesmo processador.

O caminho rápido, passo a passo

Aqui está o caminho mais rápido que funciona, em ordem. Isso pressupõe que você está ditando ao vivo — falando e obtendo o texto na hora —, o que para a maioria dos casos supera gravar e processar depois, porque a transcrição já existe no momento em que você para de falar.

Se a sua fonte é um arquivo pré-gravado em vez de fala ao vivo, consulte o FAQ no final, onde a resposta honesta é o que importa.

Local vs nuvem: de onde vem a velocidade

As pessoas presumem que a nuvem é mais rápida porque os servidores são maiores. Para um único parágrafo de ditado, essa suposição está errada. A transcrição na nuvem precisa empacotar seu áudio, enviá-lo pela sua conexão, aguardar uma resposta e recebê-la de volta. Em uma conexão decente, essa ida e volta é rápida, mas é tempo de rede que você não gasta quando o modelo roda na sua própria CPU.

O modo local faz o trabalho no processo. Toda a transcrição local no Whisper roda em Rust puro via transcribe-rs, sem sidecar Python para iniciar. Isso significa nenhum servidor no caminho, nenhuma cobrança por minuto de API e seu áudio nunca sai da máquina. O modo nuvem é a saída alternativa: OpenAI com sua própria chave (BYOK), usando gpt-4o-mini-transcribe por padrão, para quando você quiser os modelos mais recentes ou acesso à web. É a camada Whisper Pro, em cima do pipeline local gratuito.

Aqui está minha única opinião forte para este artigo: experimente o modo local primeiro. Se o seu PC tem menos de quatro anos ou seu Mac é Apple Silicon, você não precisa da nuvem para transcrição. O modo local alcança velocidades bem abaixo de dois segundos entre soltar a tecla e colar o texto em uma máquina recente, seus dados ficam em casa e você não paga nada por minuto. A nuvem é o plano B quando você chega a um limite, não o ponto de partida. Aprendi isso observando uma equipe com quem trabalhei acumular uma conta de cinco dígitos na nuvem em um único trimestre, a maior parte proveniente de uma tentativa automática de nova transcrição que reprocessou as mesmas gravações de standup quatro vezes. O CFO abriu o painel na revisão trimestral e a sala ficou em silêncio. Local em primeiro lugar teria zerado essa conta.

Por que o Parakeet é a opção local mais rápida

Se velocidade bruta é o objetivo e você fala inglês ou um idioma europeu, o Parakeet é a escolha. O modelo Parakeet-TDT da NVIDIA é um modelo de 600 milhões de parâmetros sob licença CC-BY-4.0, e no Whisper ele roda 5–10x mais rápido que os modelos Whisper na mesma CPU. Esse é o diferencial de velocidade. Em um notebook sem GPU dedicada, essa diferença é entre esperar e não esperar.

A troca é a cobertura de idiomas. O Parakeet suporta 25 idiomas (inglês mais 24 europeus), sem tradução para inglês e sem idiomas asiáticos. Se você transcreve japonês, coreano ou chinês, ou precisa de fala em um idioma traduzida para inglês, o Parakeet não vai ajudar e você vai querer um modelo Whisper, que cobre 99 idiomas nas variantes multilíngues e pode traduzir para inglês. As versões .en do Whisper (Base, Small, Medium, Turbo) são exclusivamente em inglês, um idioma cada.

A verdade sem glamour é que para a ditação cotidiana em inglês, o Parakeet é rápido o suficiente para que o modelo não seja mais o gargalo. O seu ritmo de fala é. Esse é o momento em que a transcrição por voz para de parecer uma ferramenta e começa a parecer digitar sem teclado. Sou o tipo de arquiteto que avalia um motor de três formas antes de confiar nele, e mesmo assim parei de verificar o cronômetro em algum momento da segunda semana. Se você trabalha principalmente offline, o guia de fala para texto offline aprofunda a execução de tudo no dispositivo.

Quando pular a transcrição por IA e fazer à mão

A transcrição por IA é rápida, não mágica. Três situações em que eu pularia e digitaria à mão. Primeiro, áudio mal gravado: falantes sobrepostos, muito ruído de fundo, um celular apoiado em uma mesa de café. Um modelo vai produzir palavras erradas com confiança, e corrigir um absurdo confiante leva mais tempo do que digitar do zero. Um microfone USB de $20 faz mais pela precisão do que qualquer atualização de modelo, então corrija a fonte primeiro. Segundo, material jurídico ou médico em que um único número mal ouvido muda o significado e a revisão precisa ser palavra por palavra de qualquer forma. Terceiro, clipes curtos: um recado de voz de 30 segundos não vale abrir nada, e a ditação nativa do seu celular resolve de graça. O caminho rápido é para o material longo, onde as quatro horas economizadas são reais.

Trabalhar a partir de uma gravação salva em vez de áudio ao vivo é um fluxo de trabalho próprio. Se a sua fonte é um arquivo de música ou podcast, nosso passo a passo sobre como converter MP3 em texto cobre o caminho de upload do arquivo do início ao fim.

Gratuito para o pipeline local

Todo o pipeline de transcrição local no Whisper é gratuito para qualquer usuário autenticado: Parakeet, todos os oito modelos Whisper, limpeza de texto por IA via Ollama, histórico, predefinições, hotwords e aceleração de hardware. Sem método de pagamento no cadastro. O Whisper Pro adiciona a camada Cloud por cima, para quem quer transcrição OpenAI com sua própria chave (BYOK) e acesso à web. Os valores exatos estão na página de preços, onde você pode comparar mensal, anual e vitalício sem eu citar números no meio da frase.

A transcrição mais rápida que já presenciei não foi num benchmark. Foi minha filha mais nova ditando um e-mail de 90 palavras para a avó (um dente perdido, o câmbio da fada dos dentes, uma aula de dança) em menos de dois minutos, sem edição, sem teclado. Ela não sabia que tinha pulado o caminho lento. Ela simplesmente achava que é assim que os computadores funcionam agora. Depois de um ano lendo tickets de suporte, decidi que ela está certa, e o resto de nós está só se atualizando.