Alternativa ao Speechmatics: API ou aplicativo?

O que é o Speechmatics: um mecanismo ASR para desenvolvedores

O Speechmatics se descreve como APIs de voz que impulsionam a IA de voz. Você o integra ao seu produto por meio da API. Ele faz transcrição em tempo real com latência abaixo de um segundo e processamento em lote, e pode ser implantado como API na nuvem, no dispositivo ou on-premises. Cobre mais de 55 idiomas para transcrição e 69 pares de idiomas para tradução com IA, segundo seus próprios números.

O público-alvo são equipes que constroem transcrição como parte de algo maior: análise de call center, legendagem ao vivo, pipelines de transcrição médica e jurídica, agentes de voz. Nada disso é uma pessoa só tentando responder um e-mail falando.

O preço conta a mesma história. O Speechmatics é cobrado por uso, por hora de áudio. O plano gratuito oferece 2.400 minutos — 40 horas — de transcrição por mês, duas sessões em tempo real simultâneas, sem necessidade de cartão para começar. O Pro começa a partir de $0.24 por hora de áudio e tem um limite de 6.000 horas por mês. O Enterprise é personalizado, com implantação on-prem e modelos customizados. Isso é um contador — e um contador é exatamente o que você quer quando está processando milhares de horas de áudio em um produto. É exatamente o que você não quer quando está ditando uma lista de compras.

A diferença: um mecanismo para construir vs. um aplicativo para usar

Aqui está a linha divisória, traçada de uma vez, com clareza.

Um mecanismo como o Speechmatics é algo que um desenvolvedor integra. Você envia áudio para ele via API, recebe texto de volta, e constrói os botões, a interface, o armazenamento e a cobrança por conta própria. É matéria-prima.

Um aplicativo completo é algo que você instala e usa. O Whisper by Remskill é o segundo tipo. Ele não é uma API, SDK ou mecanismo de speech-to-text. Você não pode integrá-lo ao seu produto, chamá-lo a partir de código ou passar áudio por ele de forma programática. Não existe endpoint para acessar. É um aplicativo desktop acionado por um atalho global.

Um nome confunde todo mundo, então vou resolver isso logo. "OpenAI Whisper" — o modelo de voz de código aberto que você pode hospedar e chamar como API — aparece em todas as listas de alternativas ao Speechmatics. Essa é a opção para desenvolvedores. Não é a mesma coisa que o Whisper by Remskill, o aplicativo desktop que eu faço. Mesma palavra, categorias diferentes. Se você quer um modelo para hospedar, procure o Whisper de código aberto da OpenAI. Se você quer uma ferramenta pronta para ditar, continue lendo.

Se você precisa de uma API para construir, veja estas opções

Se você veio aqui buscando um mecanismo, prefiro te direcionar ao certo do que desperdiçar sua tarde. As APIs de speech-to-text de verdade nessa categoria — as que realmente substituem o Speechmatics para um desenvolvedor — são:

• AssemblyAI — API de speech-to-text com processamento em lote e em tempo real, voltada para equipes de produto.
• Deepgram — API de streaming com baixa latência, popular para agentes de voz.
• Google Cloud Speech-to-Text — a opção do hiperprovedor, com ampla cobertura de idiomas.
• AWS Transcribe — a mesma ideia dentro da conta AWS.
• OpenAI's open-source Whisper — hospede o modelo e execute por conta própria.
• Gladia — uma API de transcrição mais recente no mesmo segmento.

Todas essas são APIs e mecanismos que você integra ao seu próprio código. Não vou inventar percentuais de precisão ou preços para elas — é assim que listas de alternativas ficam erradas, citando com confiança um número de uma página de preços que mudou no trimestre passado. O ponto é a categoria: se você precisa de um contador e um endpoint, uma dessas é a sua resposta, e o Whisper by Remskill não é.

O que o Whisper faz: atalho, fale, cole

Agora o outro grupo — as pessoas que não escrevem código e simplesmente querem falar em vez de digitar.

O Whisper by Remskill é focado em ditado. Você pressiona um atalho global, fala, e a transcrição aparece onde o cursor estiver, em qualquer aplicativo que você já esteja usando. Sem etapa de upload, sem biblioteca de projetos, sem API para aprender. O atalho padrão é Ctrl+Space no Windows e Command+Option — uma combinação de toque sustentado — no macOS. Você pode mudar.

Como ele digita direto no cursor, funciona em qualquer lugar — cliente de e-mail, documento, caixa de chat, comentário de código — sem precisar que ninguém construa uma integração para cada aplicativo. Esse é o truque todo, e é o oposto de um mecanismo. Um mecanismo espera o seu código chamá-lo. Este espera você pressionar uma tecla. Na primeira vez que mostrei para a minha esposa, ditei uma lista de compras direto em uma mensagem para ela. Ela respondeu: "ótimo, mas você esqueceu o leite." O aplicativo funcionou. Minha memória, não.

Os modelos multilíngues cobrem mais de 90 idiomas para voz ao vivo, e os modelos Whisper não-inglês podem traduzir o que você fala diretamente para o inglês. Isso é fala-para-inglês, não o serviço de tradução de 69 pares que o Speechmatics vende — trabalho diferente, escopo menor, e honesto sobre isso.

Local e offline: sem horas de áudio, sem cobrança por uso

No modo local, o Whisper transcreve inteiramente na sua máquina. O áudio nunca sai do dispositivo, não há chamada de rede para transcrição e não há contador por hora de áudio. Todo o pipeline local — modelos, melhoria de IA no dispositivo, histórico, palavras personalizadas, o atalho — é gratuito para qualquer usuário conectado, sem cartão no cadastro.

Quero ser justo aqui, porque a honestidade é o ponto. O Speechmatics também tem um plano gratuito — generoso, com 40 horas por mês — e também oferece implantação on-prem e no dispositivo para desenvolvedores. Então "grátis" e "offline" não são palavras mágicas que só o Whisper tem. A diferença real é o formato. O Speechmatics dá a um desenvolvedor um mecanismo que ele mede e integra. O Whisper dá a uma pessoa um aplicativo completo, sem nenhum trabalho de integração e sem cobrança por hora.

Esta é a única opinião forte que vou defender neste artigo: cobrar por hora de áudio é o formato errado para uma pessoa que só quer ditar. A $0.24 por hora após as 40 gratuitas, um contador faz todo sentido quando você está rodando um produto por ele e precisa dos dados de uso. Não faz sentido quando o "produto" é você, em uma mesa, respondendo e-mails. Você não deveria ter que pensar em um relógio correndo enquanto fala. Um preço fixo de aplicativo, sem nenhuma medição, se encaixa melhor nessa vida. Se manter seu ditado fora da nuvem é importante para você, esse é o mesmo instinto por trás do speech-to-text privado, no dispositivo.

Quando o Speechmatics é a ferramenta certa

Eu não trocaria o Speechmatics se estivesse construindo um produto sobre ele. Se você precisa inserir transcrição no seu próprio aplicativo em escala — um painel de análise de call center, legendagem ao vivo, um pipeline de transcrição médica ou jurídica, um agente de voz — o Speechmatics ou uma das alternativas reais de API é a escolha certa, e o Whisper não é. O mesmo vale se você precisar de soberania de dados on-prem estrita para muitas sessões simultâneas, ou dos 69 pares de tradução. O Whisper não tem resposta para nada disso. É um aplicativo desktop de ditado para um único usuário, ponto final. Escolher a categoria errada aqui vai custar uma reconstrução, não um reembolso.

O que custa simplesmente ditar

O plano de ditado local do Whisper é gratuito para qualquer pessoa com uma conta, sem método de pagamento no cadastro. Não há relógio de uso — você não paga por hora de áudio como o Speechmatics cobra no Pro a partir de $0.24 por hora. A superfície Cloud opcional, que usa sua própria chave OpenAI para transcrição na nuvem e pesquisa na web, fica atrás de um preço fixo de aplicativo, não de um contador por minuto. Os valores atuais estão na página de preços; a única coisa que vale lembrar é o formato — um preço fixo por um aplicativo, não um contador por um mecanismo.