Apps de voz para texto: qual escolher

Um app de voz para texto, em uma linha: você fala, ele digita

Aqui está toda a mecânica, sem marketing. Você pressiona uma tecla. Você fala. O app grava a sua voz, passa por um modelo de reconhecimento e as palavras aparecem como texto. Com o nosso app, o Whisper by Remskill, o padrão é Ctrl+Space no Windows e segurar command+option no macOS: pressione, fale, solte, e a transcrição cola no cursor, no app em que você já estava.

Essa última parte é a que a maioria das pessoas esquece quando compara apps. Um app de voz para texto só é útil na medida do lugar onde ele consegue colocar o texto. O Apple Dictation digita em apps do Mac e do iOS. O Windows voice typing abre com a tecla do logotipo do Windows + H e funciona em qualquer campo de texto de um PC. O Google Docs Voice typing só funciona dentro do Google Docs, no Chrome. Todos transcrevem; nem todos vão a todos os lugares. Então, antes de comparar notas de precisão, pergunte onde você precisa que o texto apareça.

Como funciona um app de voz para texto (ASR mais a etapa de limpeza)

Por baixo dos panos, todo app de voz para texto faz duas coisas separadas, e confundi-las é onde as análises erram.

A primeira é a transcrição: o reconhecimento automático de fala transforma a forma de onda do áudio em uma sequência de palavras. Essa é a parte difícil, e é onde a qualidade do modelo aparece. O modelo Parakeet da NVIDIA, que oferecemos como uma das opções de motor, registra uma taxa média de erro de palavra de 6,34% no Open ASR Leaderboard da Hugging Face. O Dragon Professional anuncia "até 99% de precisão de reconhecimento, logo no primeiro uso". Números assim são reais, mas descrevem áudio limpo em uma sala silenciosa. Ruído de fundo e um microfone barato de laptop afetam mais esses números do que qualquer troca de modelo.

A segunda é a etapa de limpeza: transformar "manda pra ela o arquivo hum a segunda versão não a primeira" em uma frase com letra maiúscula e ponto final. Os apps melhores rodam uma etapa extra de IA aqui para corrigir pontuação, uso de maiúsculas e o "hum" ocasional. É também nessa limpeza que comandos ditados são interpretados, onde os vícios de linguagem são cortados e onde uma parede de palavras emendadas vira algo que você enviaria. A transcrição te dá as palavras. A etapa de limpeza te dá um texto que você não precisa redigitar.

O que separa um bom app de um simulador de digitação

A maioria dos apps de voz para texto passa no básico: acertam as palavras na maior parte do tempo. O que separa uma ferramenta que você mantém de uma que você desinstala em uma semana se resume a algumas coisas que raramente aparecem na grade de recursos.

Latência, primeiro. Se houver uma longa pausa entre você terminar uma frase e o texto aparecer, você perde o fio do pensamento e começa a reler em vez de falar. Precisão na sua voz, segundo — não a voz da demonstração, a sua, com o seu sotaque, na sua sala. Cobertura de idiomas, terceiro, se você não trabalha em inglês. E alcance: ele consegue digitar no único app onde você vive, ou só em uma aba do navegador?

E há o item chato que ninguém divulga: para onde vai o seu áudio. Uma ferramenta embutida no sistema operacional e um app local mantêm a gravação na sua máquina. Um app na nuvem faz upload dela. Para uma lista de compras, tanto faz. Para uma minuta jurídica ou uma nota de paciente, é a decisão inteira. Já chegamos lá.

Como é o Whisper by Remskill

Já que fico mencionando o nosso app, aqui está o que ele é, para a comparação ser justa. O Whisper by Remskill é um app de desktop que funciona em todo o sistema — não é uma extensão de navegador, nem um suplemento do Word, nem um bot de reuniões. Você segura a tecla de atalho, fala, solta, e a transcrição aparece no seu cursor em qualquer app ou campo de texto.

Para a transcrição, você escolhe um de três caminhos. O Whisper local roda oito tamanhos de modelo, do Base (~140 MB) até o multilíngue Large v3 (~3 GB), suporta 99 idiomas nas variantes multilíngues e pode traduzir para o inglês. O Parakeet local (~600 MB) é 5 a 10x mais rápido que o Whisper na CPU e cobre o inglês mais 24 idiomas europeus. O modo Cloud é OpenAI com a sua própria chave, para quem quer os modelos mais recentes e respostas ao vivo da web. Toda a transcrição local roda em puro Rust, totalmente no dispositivo, e funciona offline. O app não escolhe por você. Ele mostra os três caminhos e você escolhe com base em velocidade, idiomas ou precisão. Para a lista completa de como as ferramentas de ditado se comparam, o nosso guia de software de transcrição percorre os mesmos trade-offs em mais ferramentas.

Deciding between the two local engines is the most common question we get, and our Whisper vs Parakeet explainer breaks down speed, language coverage, and accuracy side by side.

Cloud vs. local: para onde vai a sua voz

Aqui está aquela sobre a qual eu tenho uma opinião forte. Voz para texto exclusivamente na nuvem é um problema de privacidade que a maioria das pessoas não pensa até que seja tarde demais. A planilha de salários do seu chefe, o e-mail para a escola do seu filho, a minuta de um contrato — nada disso deveria estar nos logs de um fornecedor só porque você quis digitar com a voz.

Uma vez vi uma equipe de uma empresa onde trabalhei acumular uma conta de IA na nuvem de cinco dígitos em um único trimestre, porque um loop de "tentativa inteligente" ficava retranscrevendo as mesmas gravações de standup quatro vezes seguidas. O diretor financeiro abriu o painel na reunião trimestral e a sala ficou em silêncio. O custo foi a manchete. O problema mais silencioso era que toda reunião gravada havia sido enviada para uma API de terceiros para se descobrir isso.

O local-first resolve os dois. O nosso pipeline local nunca envia o seu áudio para lugar nenhum; o modo Cloud é a exceção opcional, e é a sua própria chave OpenAI, não a nossa. O Wispr Flow, o concorrente direto mais próximo, é exclusivamente na nuvem. O áudio sai do dispositivo por design. Nenhuma das abordagens está errada. Mas se o seu trabalho toca em qualquer coisa que você hesitaria em enviar por e-mail, rode na sua própria máquina.

Palavras brutas entram, texto limpo sai: a etapa de limpeza por IA

A etapa de limpeza merece menção própria porque é a diferença entre transcrição e texto utilizável. O reconhecimento te dá as palavras em ordem. Nem sempre te dá uma frase.

No modo local, o nosso app roda a limpeza opcional pelo Ollama na sua máquina — pontuação, maiúsculas e corte dos vícios de linguagem, tudo sem uma ida e volta à internet. No modo Cloud, o mesmo trabalho vai para os modelos da OpenAI pela sua chave. O ponto não é qual modelo faz isso. O ponto é que um app de voz para texto que pula essa etapa te entrega um parágrafo sem vírgulas e um "sabe" perdido a cada três linhas, e você gasta o tempo que economizou na limpeza. Os bons fazem esse trabalho antes de o texto chegar ao seu cursor. As ferramentas básicas embutidas em geral não fazem, o que está ok para uma nota rápida e é frustrante para qualquer coisa mais longa.

Os outros apps de voz para texto que vale a pena conhecer

Nenhum app único vence em todo uso. Aqui está o panorama honesto, e para quem cada um serve.

No fim dos anos 1990, um parente meu rodava o Dragon NaturallySpeaking em um desktop com Windows 98 e 64 MB de RAM. A instalação te fazia ler uma lista de palavras por 45 minutos para "treiná-lo", e então o ditado funcionava com uns 70% de precisão e um atraso de quatro segundos por frase. Ditar um parágrafo de uma carta de fim de ano levava quinze minutos. O headset foi arremessado pela sala; ele sobreviveu, o experimento não. Vinte e cinco anos depois, uma criança de sete anos consegue ditar um e-mail inteiro em noventa segundos sem treinar nada. Se um app de voz para texto ainda te pede para "treiná-lo" antes de funcionar, ele está vivendo em 1999.

Quando dispensar totalmente um app dedicado

Aqui é onde eu te mando para outro lugar (sim, o cara que vende o app). Se você só dita notas curtas — uma mensagem, um compromisso na agenda, uma resposta rápida — e está em um Mac ou iPhone, use o Apple Dictation. É gratuito, é embutido e, para menos de cem palavras, ele faz o serviço; sem tempo limite rígido no macOS moderno. Em um PC, a tecla do logotipo do Windows + H faz o mesmo trabalho de graça.

And if you land on the install-something side, picking a voice typing app for each device is its own short guide.

E se tudo o que você faz é gravar reuniões e quer uma transcrição pesquisável depois, um transcritor de reuniões dedicado como o Otter é a categoria certa. Ele se conecta ao Zoom e ao Teams e foi feito para exatamente esse trabalho. Um app de ditado em todo o sistema começa a valer a pena por volta do ponto em que você está escrevendo textos mais longos, em muitos apps, e se importa com para onde vai o seu áudio.

Gratuito vs. pago: o que $0 te dá

As opções gratuitas são reais, não testes limitados. O Apple Dictation, o Windows voice typing e o Google Docs Voice typing não custam nada e dão conta do ditado do dia a dia. Com o nosso app, todo o pipeline local — Whisper, Parakeet, limpeza por IA no dispositivo, histórico, predefinições — é gratuito para qualquer usuário autenticado, sem cartão exigido para começar.

As ferramentas pagas ganham dinheiro em cima disso: recursos na nuvem, mais idiomas, gestão de equipe. Então a verdadeira pergunta não é gratuito versus pago. É se o nível gratuito que te entregam alcança todos os apps em que você trabalha e mantém o seu áudio na sua máquina. Se mantiver, pare por aí. Quando a minha esposa perguntou por que eu daria de graça todo o pipeline local, dei a ela uma resposta de cinco minutos; a versão curta é que prefiro que você comece gratuitamente e só pague se bater numa parede. O preço do nível na nuvem fica na nossa página de preços.

O veredito da minha filha mais nova sobre tudo isso foi mais simples do que qualquer análise. Ela pressionou a tecla uma vez, disse uma frase sobre um dente que tinha perdido, viu o texto aparecer e voltou a desenhar sem dizer uma palavra. Sem gráfico de precisão, sem grade de recursos, só texto onde ela queria. Esse é o único teste que sempre importou: as palavras apareceram onde você precisava, e você teve que pensar nisso? Se a resposta é sim e não, você escolheu o app certo.