Fala para texto no Twitch, com honestidade

Fala para texto, não texto para fala — esclarecimento rápido

Esclarecimento rápido — STT vs TTS. Se você chegou aqui procurando a voz robótica que lê mensagens de doação em voz alta durante a live, isso é texto para fala, não fala para texto. Outra conversa. Experimente o SoundAlerts, que faz TTS para Bits, Tips, Pontos de Canal, Subs, Raids e Hype Trains, com vozes de IA no Premium. Ou use o StreamElements, que roda o AlertBox TTS com mais de 1000 vozes do Polly, Google, Azure e TikTok, além de moderação anti-spam. O restante deste artigo é sobre a outra coisa: sua voz virando texto.

Fala para texto é sua voz se transformando em letras na tela: legendas, transcrições, mensagens ditadas. Texto para fala é o sentido oposto: mensagens digitadas lidas em voz alta por uma voz sintética, geralmente um alerta de doação.

Metade das pessoas do Twitch que pesquisam essa frase querem a segunda opção. O Google não consegue distinguir o que você quis dizer, por isso não há AI Overview para essa busca — a intenção está dividida demais. As ferramentas de TTS listadas acima cuidam das leituras de doação. O restante deste artigo cuida da sua voz virando texto.

Para que os streamers realmente usam fala para texto

Quatro casos de uso que aparecem repetidamente. A maioria dos streamers usa um. Os bons usam todos os quatro.

Legendas ao vivo para acessibilidade

Uma linha de texto na parte inferior da transmissão para espectadores surdos, com deficiência auditiva, assistindo sem som no trabalho ou falantes não nativos acompanhando o texto. O Twitch mostra um botão CC nas lives que já têm legendas no feed RTMP e nada nas que não têm. Ou seja, isso é responsabilidade sua.

Transcrições de VOD para shorts e SEO

Você fez três horas de live, a luta épica aconteceu lá pelas duas horas, e você quer um TikTok de 60 segundos com texto na tela. A transcrição significa que você usa Ctrl+F no momento em vez de ficar arrastando a barra.

Ditado entre cenas

A parte que ninguém menciona e pela qual eu pagaria. No meio da live, mãos no teclado, seu mod te chama no Discord perguntando se você quer estender o modo sub-only para o raid. Você pode tentar dar Alt+Tab enquanto a luta vai por água abaixo, ou apertar uma tecla, falar a frase e deixar ela cair no Discord a 145 palavras por minuto.

O atalho padrão do Whisper é Ctrl+Space no Windows e Linux, e o atalho push-to-talk só com modificador command+option no macOS. Os dois funcionam em qualquer lugar que aceite entrada de texto: chat, Discord, campos de nome de cena no OBS, uma mensagem de desculpas à 1h da manhã para o espectador cujo nome você pronunciou errado. Dois detalhes específicos para streamers: se o seu atalho de troca de cena é Ctrl+Space, o OBS vai capturá-lo antes que o Whisper o ouça. Remapeia um deles. E alguns jogos em tela cheia (qualquer coisa com Unreal Engine em modo fullscreen exclusivo) engolam o atalho global; rode o jogo em modo janela sem bordas e o problema some.

Notas pós-live

Um memorando de três linhas para o seu eu do futuro sobre o que funcionou, o que deu errado e qual clipe vale a pena editar. A maioria dos streamers pula isso. A maioria também fica se perguntando por que o canal não cresce.

O primeiro é o OBS. O segundo é uma ferramenta de transcrição. O terceiro é um app de ditado como o nosso. O quarto é qualquer combinação que te coloque na cama antes das duas da manhã.

Legendas ao vivo no OBS: configuração em 10 minutos

Primeira confissão honesta. A configuração padrão de legendas ao vivo para o Twitch não usa o Whisper. É o plugin OBS Closed Captions do ratwithacompiler, que usa o Google Speech Recognition como backend por padrão. A versão 0.33 foi lançada em 15 de outubro de 2025, tem 1,3 mil estrelas no GitHub e roda no Windows, macOS e Linux. Não funciona com o Streamlabs OBS porque o SLOBS não aceita plugins de terceiros.

Esta é a configuração em 10 minutos. Nenhum desses passos exige código.

1. Instale o OBS Studio se ainda não tiver. O plugin é exclusivo do OBS, não do SLOBS.
2. Baixe o plugin na página de releases do ratwithacompiler/OBS-captions-plugin no GitHub. Escolha o instalador para o seu sistema operacional, feche o OBS primeiro e execute.
3. Abra o OBS, vá em Ferramentas → Legendas. Escolha a fonte do microfone, normalmente Mic/Aux ou o nome que você deu a ela.
4. Defina o idioma de origem. O padrão é inglês. O plugin transmite para o endpoint gratuito do Google; a precisão é boa para áudio de microfone limpo e piora com música de fundo intensa.
5. Ative as legendas no painel do Twitch. Gerenciador de Stream → Configurações → Stream → opção Closed Captions. O Guia de Closed Captions do Twitch cobre o lado do transmissor se precisar.
6. Teste em uma live privada. Defina a transmissão como não listada, fale por 30 segundos e verifique se o botão CC aparece.

Pronto. A desvantagem: o áudio sai da sua máquina e vai para o Google. Se isso quebra o seu acordo com a audiência, pule para cloud vs local. O Whisper em si não se encaixa nessa etapa; nós somos a camada de ditado e VOD ao lado do OBS. O OBS cuida das legendas, o Whisper cuida do texto via atalho. Duas ferramentas, dois trabalhos.

Transcrevendo VODs e clipes para shorts (o que realmente economiza tempo)

Uma live de três horas é um problema de busca de três horas. Você sabe que o momento engraçado aconteceu em algum lugar perto do segundo sub-train, mas não consegue encontrá-lo sem arrastar a barra. Uma transcrição resolve isso em dez segundos.

Segunda confissão honesta. O Whisper by Remskill não aceita upload de arquivos de vídeo ou áudio no app desktop hoje. A transcrição é feita via atalho no microfone ao vivo, sem arrastar e soltar e sem botão de "abrir VOD". Se o seu fluxo é jogar um MP4 e receber uma transcrição, não somos a ferramenta certa. Ainda. Duas opções honestas:

Opção A — faça loopback do seu VOD pelo microfone. Use o VB-CABLE no Windows ou o BlackHole no Mac para redirecionar o áudio do seu VOD de volta ao Whisper como se fosse um microfone, depois segure o atalho enquanto ele toca. Sem usar as mãos, mas você fica sentado durante a reprodução. Escolha large-v3 para lives multilíngues ou distil-large-v3 (Turbo) para inglês: 6× mais rápido que large-v3 com 99% da precisão.

Opção B — use whisper.cpp de código aberto ou faster-whisper. Os dois aceitam arquivos .mp4 e .wav pela linha de comando. Configuração mais demorada, mas processam em lote enquanto você dorme. É a jogada legítima de "pular o Whisper aqui": whisper.cpp e openai/whisper são gratuitos e bem mantidos.

O ganho real está depois. Cole a transcrição no ChatGPT e peça os três melhores momentos para clipe, cole no editor de vídeo como faixa de legendas e use como descrição no YouTube com os timestamps já alinhados.

Cloud vs local: para onde vai o áudio da sua live

O áudio da sua live é sensível. Mesmo que você o transmita ao vivo para milhares de pessoas, a diferença entre "sabemos que estamos gravando" e "uma empresa americana não relacionada tem uma cópia da minha conversa privada com um mod" é real.

O Whisper oferece três caminhos de transcrição e deixa você escolher. Não há padrão.

Cloud (OpenAI, BYOK)

Melhor precisão, busca na web integrada, aprimoramento de texto com IA via GPT-5. A transcrição usa gpt-4o-mini-transcribe por padrão ou gpt-4o-transcribe para maior precisão. Você usa sua própria chave da OpenAI e paga à OpenAI por minuto de áudio. O áudio sai do seu dispositivo.

Local — NVIDIA Parakeet

Opção local rápida. ~600 MB em disco, 5–10× mais rápido que o Whisper na CPU, inglês mais 24 idiomas europeus sem tradução para inglês. Sem idiomas asiáticos: streamers que falam japonês, coreano ou chinês não podem usar o Parakeet.

Local — Whisper

Mais lento que o Parakeet, disponível em oito tamanhos de modelo, do Base (~140 MB) ao Large v3 (~3 GB). As variantes multilíngues cobrem 99 idiomas e suportam tradução para inglês; os modelos .en são apenas em inglês com o seletor de idioma bloqueado.

Se você faz live em um desktop com CPU recente ou em um Mac da série M, experimente o modo local primeiro. O cloud é a saída quando você precisa de um idioma que o Parakeet não cobre ou quer a busca na web da OpenAI integrada ao mesmo atalho. Seu notebook já tem microfone e CPU; ele não precisa de um servidor no meio para uma frase de nota de mod.

Certa vez tentei adicionar legendas à minha própria live de programação e o modelo autocorrigiu todo commit do git para uma ferramenta de jardinagem do gênero errado. Foi nesse momento que parei de usar legendas ao vivo para clipes e comecei a passar as transcrições por uma revisão manual. O fluxo de ditado entre cenas aguentou centenas de notas de mod sem uma falha relevante. Trabalhos diferentes, tolerâncias de confiabilidade diferentes.

Quando pular o Whisper nesse caso

A matriz honesta:

• Você só quer legendas ao vivo embutidas na transmissão. Use o plugin OBS Closed Captions e pronto. O Whisper não é um motor de legendas ao vivo para o OBS; somos a ferramenta de ditado ao lado dele.
• Você quer uma voz robótica lendo mensagens de doação. Use o SoundAlerts ou o StreamElements; isso é TTS, o sentido oposto.
• Você precisa transcrever em lote anos de arquivos VOD. O whisper.cpp de código aberto ou o faster-whisper aceitam arquivos diretamente e não custam nada. Ainda não temos uma interface de upload de arquivos.
• Você faz live em um Mac Intel. O Whisper by Remskill está disponível apenas para Windows x86_64 e macOS Apple Silicon; Mac Intel não é suportado. Serviços exclusivamente em cloud funcionam bem no navegador independentemente.

Se o seu caso de uso é ditado entre cenas, transcrições de VOD via loopback ou notas pós-live, é exatamente o nosso forte. Para qualquer outra coisa nessa lista, use o que se encaixar melhor.

A maior parte da configuração de fala para texto para o Twitch é encanamento: um plugin do OBS que você instala uma vez, um driver de loopback que você esquece que existe, um atalho que você define e nunca muda. O trabalho acontece do outro lado. Quando as legendas valem o áudio sair da sua máquina? Qual clipe de 60 segundos de uma live de três horas vale a extração? Digitar ou falar quando os mods estão te chamando? Escolha a ferramenta que não atrapalha na terceira hora de live, porque é quando ela importa de verdade.