Reconhecimento de voz offline, explicado

O que um aplicativo de desktop de reconhecimento de voz offline é de verdade

Um aplicativo de desktop, não uma aba de navegador. Essa distinção faz quase todo o trabalho. Uma ferramenta de ditado baseada na web roda no seu navegador e quase sempre envia o áudio para um servidor. Um aplicativo offline de verdade é um software nativo que carrega um modelo de fala na memória e o roda na sua CPU ou GPU, ali mesmo na máquina.

O comportamento é simples de propósito. Você aperta um atalho global de dentro de qualquer aplicativo (seu cliente de e-mail, um editor de código, uma caixa do Slack, um campo de prontuário clínico) e a transcrição aparece onde está o seu cursor, como um digitador veloz substituindo você. Sem copiar e colar de uma janela separada. Sem "envie sua gravação". Ele se comporta como o teclado, porque essa é a única interface que todo aplicativo já entende.

O atalho padrão no Whisper é Ctrl+Space no Windows e no Linux. No Mac você segura Command e Option juntos e solta qualquer uma das teclas para parar, um acorde push-to-talk, não um botão de liga/desliga. Você pode remapeá-lo; a primeira coisa que muita gente faz é tirá-lo de cima do que conflita com o app de desenho ou o software de música. Eu deixei esse atalho fixo no código numa versão antiga e recebi um e-mail às 2 da manhã por causa disso, o que é uma história para o FAQ.

A versão honesta do "como" é sem glamour: não há mágica, só um arquivo de modelo no seu disco. Quando você instala um aplicativo local, baixa um modelo de fala, de algumas centenas de megabytes a alguns gigabytes de pesos treinados. A partir daí, a transcrição é uma operação matemática que o modelo realiza sobre o seu áudio. O áudio nunca vira uma requisição de rede. O Whisper by Remskill roda toda a transcrição local por uma biblioteca em Rust puro chamada transcribe-rs, sem um sidecar em Python e sem um runtime separado para manter vivo. O que você sente é o aplicativo iniciando rápido e o caminho do áudio permanecendo curto.

Aperte uma tecla, fale, receba o texto — o ciclo offline

Aqui está o ciclo completo. Você segura o atalho. Um pequeno overlay avisa que está ouvindo. Você fala, uma frase, um parágrafo, um resumo de aula de 600 palavras. Você solta. O modelo transcreve o que você disse e o texto aparece no seu cursor, não num arquivo que você depois precisa ir procurar. Essa é a diferença prática entre um aplicativo de ditado e uma ferramenta de transcrição de arquivos: um aplicativo de ditado insere o texto ao vivo, no instante em que você para de falar.

Nada disso precisa de rede. O microfone alimenta o áudio no modelo local, o modelo produz o texto, e o aplicativo o digita para você. A gravação continua por um curto instante depois que você solta a tecla, para que a última palavra não seja cortada, uma coisinha que levou mais tempo para acertar do que eu gostaria de admitir.

Para e-mails e anotações do dia a dia, a viagem da liberação da tecla até o texto colado leva um ou dois segundos com um modelo Small num notebook recente, rápido o bastante para você permanecer na frase que estava pensando. Há também um segundo passo opcional: o Whisper pode rodar uma passada de limpeza por IA (corrigindo pontuação, formatando uma lista ou respondendo a uma pergunta que você falou), e no modo local essa passada roda no dispositivo por um mecanismo local chamado Ollama. Então até o passo de "deixar isso menos parecido com fala desorganizada" pode permanecer totalmente offline. Você o aciona começando sua frase com "Hey whisper". Ignore-o e você recebe uma transcrição limpa e literal. De qualquer forma, nada do que você diz sai da máquina, a menos que você ative a chave opcional de Nuvem.

Parakeet ou Whisper local: qual mecanismo roda melhor offline

Dois mecanismos locais vêm no aplicativo, e eles são bons em coisas diferentes. Essa é a única decisão de verdade que você precisa tomar.

Parakeet é o modelo TDT da NVIDIA, com cerca de 600 MB, e é o rápido, de 5 a 10 vezes mais veloz que o Whisper numa CPU. Ele lida com inglês mais 24 idiomas europeus, 25 no total. Não traduz para o inglês e não tem controles de vocabulário personalizado. Se você fala principalmente inglês e quer velocidade, é este aqui.

Whisper é o cavalo de batalha multilíngue. Seus modelos multilíngues suportam 99 idiomas com detecção automática e podem traduzir qualquer um deles para o inglês. É mais lento que o Parakeet no mesmo hardware, mas te dá chinês, japonês, coreano, vocabulário personalizado e controle mais fino. Uma coisa para manter clara: os modelos Whisper só de inglês (os marcados com .en) ficam travados apenas no inglês e pulam totalmente o suporte a 99 idiomas. Então "o Whisper faz 99 idiomas" só é verdade para as versões multilíngues.

Regra de bolso: inglês e com pressa, escolha o Parakeet. Qualquer coisa multilíngue, qualquer coisa que você precise traduzir, escolha um modelo Whisper multilíngue.

Escolhendo o modelo local certo para o seu hardware

Um modelo local carrega na RAM, então o seu hardware define o teto. A boa notícia para a maioria das pessoas: os modelos menores já bastam.

No lado do inglês, os modelos vão do Base com cerca de 140 MB, ao Small com cerca de 480 MB, ao Medium com cerca de 1,5 GB. No lado multilíngue, você vai do Small com 480 MB até o Large v3 com cerca de 3 GB. O modelo Small multilíngue é com o qual novos usuários começam, e é um padrão sensato: cabe em qualquer lugar e é preciso o suficiente para o ditado do dia a dia.

A verdade chata sobre hardware é que o microfone importa mais que o modelo. Um microfone USB de $20 faz mais pela precisão do que pular dois tamanhos de modelo. Passei um fim de semana convencido de que melhorar o modelo consertaria minhas transcrições embaçadas; era o microfone do notebook captando a máquina de lavar louça o tempo todo. Se você está num notebook mais antigo com 8 GB de RAM, rode o Parakeet ou um modelo Small e gaste o dinheiro do upgrade no microfone. Se você tem um Mac recente com Apple Silicon ou uma máquina Windows de 16 GB com GPU dedicada, todos os modelos rodam confortavelmente, inclusive o Large v3. Você não precisa de GPU para começar: o Parakeet numa CPU é o caminho rápido porque foi feito para isso.

Por que o offline ganha da nuvem para áudio sensível

Ditado só na nuvem é um desastre de privacidade esperando para ser transcrito. Vou dizer isso como uma opinião direta e depois sustentá-la, porque ficar enrolando sobre privacidade é fácil demais.

Uma equipe com a qual trabalhei certa vez teve um terceirizado construindo um protótipo interno de "ditado por IA" em cima de um modelo na nuvem. Ele chamava a API a cada fala, em cada notebook, com uma "repetição inteligente" que reenviava as gravações quando ficava nervoso. No fim do trimestre o gerente abriu o painel de custos da nuvem e encontrou uma conta de cinco dígitos, a maior parte de uma equipe transcrevendo gravações de reuniões diárias quatro vezes seguidas. A solução do terceirizado foi "deveríamos otimizar o prompt". A solução do diretor financeiro foi "ou não deveríamos pagar pela transcrição na nuvem de reuniões que já têm anotações". Dois problemas numa conta só: o custo, e o fato de que cada palavra dessas reuniões agora morava nos logs de um fornecedor.

O offline resolve os dois. A planilha de salários do seu chefe, o e-mail para a escola do seu filho, a petição jurídica que você está redigindo num trem sem sinal: nada disso deveria sair do seu notebook só porque você quis digitar com a voz. A máquina já tem um microfone e um processador. Para um parágrafo, ela não precisa de um servidor no caminho. O offline também funciona com o Wi-Fi desligado, o que a nuvem, por definição, não consegue fazer.

Quando a nuvem ou uma ferramenta nativa é a melhor escolha

Aqui está a parte que as páginas de ferramenta única pulam. Um aplicativo local nem sempre é a resposta certa.

Primeiro, a pergunta que as pessoas vivem fazendo: o Windows faz reconhecimento de voz offline? Na maioria das vezes, não, no caso da ferramenta padrão. A digitação por voz do Windows, aberta com Win+H, exige conexão com a internet segundo a própria documentação da Microsoft, então o ditado é baseado na nuvem. Um recurso separado do Windows 11 chamado Voice Access funciona offline depois que seus arquivos de idioma são instalados, mas foi feito para controlar o PC por voz, não para ditado longo e rápido. No Mac, o Apple Dictation embutido consegue processar parte do texto geral no dispositivo, mas a redação da Apple faz ressalvas: não é garantido para todos os idiomas, e parte do ditado ainda pode ir para os servidores da Apple. Então, se tudo o que você dita é a resposta ocasional de 30 palavras, as ferramentas nativas são gratuitas e suficientes para rajadas curtas. Um aplicativo dedicado conquista seu lugar quando você está ditando volume de verdade (e-mails, anotações, documentos), não mensagens de uma linha.

Segundo, a nuvem ganha em alguns trabalhos. Se você precisa da maior precisão possível em áudio difícil (sotaques carregados, falantes sobrepostos, condições péssimas de microfone), um modelo na nuvem pode ser mais preciso que um local, e ele consegue trazer respostas ao vivo da web que um modelo local não tem como conhecer. O modo de Nuvem opcional do Whisper usa a OpenAI por meio da sua própria chave de API exatamente para esses casos, listando cerca de 57 idiomas. O trade-off é o honesto: ele precisa de internet, e envia seu áudio para a OpenAI. Se o seu trabalho não é sensível e você quer a melhor qualidade mais busca na web num só lugar, a nuvem é a melhor escolha, e eu te diria para usá-la. Se o seu áudio é privado ou a sua conexão é instável, fique no local.

Se você anda de olho numa ferramenta de ditado na nuvem mas quer que o seu áudio fique na sua máquina, nossa alternativa gratuita ao Aqua Voice defende por completo o caso do offline e privado.

Offline, online ou nativo: uma comparação rápida

Uma tabela curta para resolver a escolha. A análise mais completa das ferramentas de ditado pagas está no nosso guia de softwares de transcrição.

O Whisper traz os três primeiros num só aplicativo: o pipeline local é gratuito, e a Nuvem é o complemento opcional. Se você veio aqui atrás de "privado e funciona num avião", as duas primeiras linhas são a sua resposta.

Se você levar uma só coisa deste texto

Reconhecimento de voz offline não é um meio-termo que você aceita quando o Wi-Fi cai. É a versão em que o áudio é seu, a latência é curta, e não há conta trimestral de nuvem esperando no fim. A nuvem ainda ganha para os áudios mais difíceis e respostas ao vivo da web, e eu vou te apontar para lá quando ela couber. Para todo o resto (o e-mail, a anotação, a petição no trem) o modelo no seu próprio disco já basta, e basta há um bom tempo.