Softwares de transcrição, explicados

A verdade chata sobre precisão (e a armadilha dos 95%)

Todo produto de transcrição na internet afirma precisão entre 95–99%. A Notta anuncia 98,86%. A Happy Scribe vende um nível de transcrição humana com 99%. A nossa própria FAQ da página inicial diz que a precisão no modo local "normalmente varia de 95% a 99%". Nenhum desses números é mentira. Eles são o número errado, apresentado sem informar em qual áudio foram medidos.

Aqui está o que a pesquisa subjacente diz. O Whisper large-v3 da OpenAI é o modelo contra o qual praticamente toda ferramenta moderna de transcrição se baseia, copia ou compete. Ele registra uma taxa média de Erro de Palavra (WER) de 7,44% no leaderboard público de ASR do Hugging Face. No LibriSpeech-clean (gravações de audiolivro em qualidade de estúdio) o mesmo modelo chega a 2,01% WER. No AMI, o benchmark padrão de sala de reunião com vozes sobrepostas e má acústica, o mesmo modelo chega a 15,95% WER. Mesmo modelo. Mesma semana. Oito vezes mais erros no áudio ruim.

Essa diferença é a armadilha dos 95%. "95% de precisão" em condições de estúdio pode ser 84% de precisão na reunião que seu chefe convocou de dentro de um carro em movimento. O próprio card de modelo da OpenAI explica isso em linguagem simples: o desempenho é irregular entre idiomas, menor nos de poucos recursos, e varia por sotaque, idade, gênero e demografia. A NVIDIA diz o mesmo sobre o Parakeet: 1,93% WER no LibriSpeech-clean, 11,31% WER no AMI.

Então quando você lê um número de precisão numa página de marketing, faça a pergunta que o fornecedor não respondeu. Em qual áudio. Com qual microfone. Em qual idioma. Com quantos falantes se sobrepondo. Se a página não disser, assuma que é o número do melhor cenário. E depois assuma que o seu áudio real é pior.

A verdade chata é que a melhoria mais importante que você pode fazer na sua precisão de transcrição é um microfone, não um modelo.

Transcrição por IA vs. transcrição humana

Existem dois tipos de software de transcrição no mundo hoje. Eles têm preços como se fossem a mesma coisa, o que é a fonte de metade da confusão.

Transcrição por IA é a rápida e barata. Você sobe um arquivo, ou dita ao vivo, e um modelo retorna texto em segundos. A precisão fica em algum lugar entre 84% (uma reunião ruim) e 98% (um memo de voz limpo). A Happy Scribe cobra $0,20 por minuto em recargas nos seus planos de IA. O nosso próprio modo Cloud cobra cerca de $0,003 por minuto diretamente via OpenAI. Otter, Notta, Trint, Descript, Jamie: todos rodam em IA por baixo, geralmente os mesmos poucos modelos.

Transcrição humana é a cara e demorada. Uma pessoa escuta o seu áudio e digita tudo. O nível humano da Happy Scribe começa em $2,00 por minuto. Eles anunciam 99% de precisão com mais de quatro horas de espera. Rev, GoTranscript e alguns outros ficam aproximadamente na mesma faixa de preço. O caso de uso é real, mas restrito: transcrições judiciais, deposições médicas, qualquer coisa onde uma saída de IA com 92% contendo o nome errado de um medicamento vai parar alguém na justiça.

A maioria das pessoas que lê isso quer IA. Use a tabela para ter certeza.

O erro que eu vejo as pessoas cometerem é pagar pela transcrição humana por medo. E depois nunca ler o resultado porque ele chega seis horas depois, quando elas já seguiram em frente. Se a resposta vai ser ignorada na terça, IA está ótimo.

Cloud vs. local: onde vai o seu áudio

Ninguém quer ler essa parte e todo mundo deveria. Escolha uma ferramenta de transcrição e o áudio da sua voz (cada palavra) vai parar em algum lugar. O destino importa.

Transcrição em Cloud significa que o seu áudio sai do computador. Vai para o servidor do fornecedor, é transcrito por um modelo rodando no hardware deles, e o texto (e geralmente o áudio) fica armazenado tempo suficiente para você recuperá-lo. Otter, Trint, Notta, Happy Scribe, Descript, Jamie, Wispr Flow: todos são cloud. O nosso próprio modo Cloud também é, com um detalhe importante. No modo Cloud o áudio é enviado da sua máquina diretamente para a OpenAI usando sua própria chave de API. O Whisper by Remskill nunca fica no meio, nunca vê o áudio, nunca vê as transcrições. O responsável pelos seus dados é a empresa cujo modelo você escolheu.

Transcrição local significa que o áudio nunca sai do seu computador. O modelo roda no seu CPU ou GPU. Sem round-trip de rede. Sem logs do fornecedor. Sem cláusula de "podemos usar seus dados para melhorar nosso serviço". O Apple Dictation faz isso para texto geral em Macs compatíveis. Os nossos modos locais (Parakeet e Whisper) fazem isso no Windows e em Macs com Apple Silicon. Quase ninguém mais nesta categoria entrega local puro.

Uma vez assisti um time interno numa empresa em que trabalhei acumular uma conta de IA na nuvem de cinco dígitos num trimestre, ditando gravações de standup quatro vezes cada. O "smart retry" do protótipo estava agressivo demais. O CFO abriu o dashboard durante a próxima revisão trimestral. A sala ficou muito quieta. O ponto não é que cloud é caro (geralmente não é, no volume de um usuário). O ponto é que você nem sempre percebe o que sai da sua máquina até alguém te pedir para explicar.

A maioria dos apps de ditado por IA anunciados hoje são interfaces de $30 por mês em cima da mesma chamada da API OpenAI Whisper que você mesmo poderia fazer. Eles cobram o markup cloud por um software que na maioria das vezes roda o modelo no servidor deles e encaminha o resultado para a sua tela. Esse modelo existe desde 2022. A parte cara não é a IA. A parte cara é a assinatura recorrente. Se o seu áudio é sensível, ou se o seu notebook é dos últimos quatro anos e não está fazendo muito mais, local é a escolha honesta.

That choice deserves its own breakdown, so our local vs cloud transcription guide spells out the accuracy, privacy, and cost trade between keeping audio on your machine and sending it to a server.

If that resonates, it is worth reading how offline speech-to-text desktop apps keep your voice on your own machine.

O que o Whisper by Remskill faz (e o que não faz)

O Whisper by Remskill é o nosso app. É uma ferramenta desktop (Windows e Mac com Apple Silicon) que coloca reconhecimento de voz por trás de um atalho. Você pressiona o atalho, fala, solta, e o texto aparece no cursor. Funciona em qualquer app: email, Word, Slack, editores de código, a barra de endereço do navegador. O pipeline local é gratuito para qualquer usuário autenticado (Whisper, Parakeet, melhoria por IA com Ollama, histórico, presets, atalho personalizado). Sem método de pagamento necessário no cadastro. O Pro adiciona funcionalidades Cloud.

Oferecemos três caminhos de transcrição. O app não escolhe um padrão; você escolhe:

O atalho padrão é Ctrl+Space no Windows e Command+Option no macOS, ambos configuráveis em Configurações. A palavra-chave padrão de ativação de IA (quando o processamento por IA está ativo) é "Hey whisper". O aprimoramento por IA local roda via Ollama em localhost:11434. Três presets de desempenho (Rápido, Balanceado e Preciso) trocam o tamanho do beam e os limiares de detecção de voz nos bastidores.

O que o Whisper by Remskill não faz: bots de reunião. Não entramos no seu Zoom, não resumimos depois, não perseguimos convites do calendário. Uma ferramenta no seu computador, um atalho, um paste no cursor. Se você quer um anotador de reuniões, você quer uma categoria diferente. Continue lendo.

Uma nota sobre nomes, porque isso confunde quase todo mundo. Whisper-o-modelo-da-OpenAI é um modelo gratuito de reconhecimento de fala open-source lançado em 2022. Whisper by Remskill é o nosso app desktop, que usa esse modelo (entre outros). Quando alguém online diz "eu uso Whisper", metade das vezes quer dizer o modelo e metade das vezes quer dizer um produto. Vale manter isso claro na hora de ler avaliações.

A sobreposição de gravação, em três estados

A cápsula aparece na parte inferior da tela sempre que o Whisper está ativo. Fica discreta e longe dos seus aplicativos.

Escolher o modelo Whisper certo para o seu hardware

As variantes em inglês (.en) só funcionam em inglês — são um pouco mais rápidas e um pouco mais precisas com áudio em inglês do que as equivalentes multilíngues. Escolha a multilíngue apenas se você ditar em mais de um idioma ou precisar de tradução para o inglês.

As Outras Ferramentas que Vale Conhecer

Você vai encontrar esses nomes se pesquisar "melhor software de transcrição". Já usei a maioria deles, e alguns mantendo perto para trabalhos que o nosso não faz.

Oito ferramentas, cobertas. Quase tudo mais nesta categoria é uma dessas empresas com outra marca, ou um desses modelos numa caixa menor.

If text-to-speech is what you actually need here is the honest free TTS roundup with the H1-vs-FAQ trick every "free" page hides.

Quando Ignorar Todas as Ferramentas Desta Lista e Só Usar o Celular

Before you pay anyone anything, check what is already on your phone. iOS ships system-level dictation through Voice Control and the keyboard mic. Android ships Live Transcribe and Gboard voice typing. Both are free, no signup, work in every app, and the quality on modern phones is good enough for short text — we walked through the talk-to-text shortcuts on every device if you want the exact key combos.

Se o seu trabalho é "responder uma mensagem enquanto faço o jantar" ou "escrever uma nota de 60 palavras antes desta reunião começar", o celular é a resposta certa. Mais rápido do que abrir um notebook, mais rápido do que fazer login em qualquer coisa, sem mensalidade. O Ditado da Apple no Mac também vale uma olhada. Em Macs compatíveis ele processa texto geral no dispositivo, dita o quanto você quiser sem limite fixo de duração, e para sozinho após 30 segundos de silêncio. Esse timeout de silêncio é a fonte do mito persistente de que "o Apple Dictation tem limite de 30 segundos": não é o limite de gravação. O Apple Dictation cobre 62 variantes de idioma e regional hoje, mais do que a maioria dos produtos pagos.

Onde o celular falha é no ditado contínuo em apps desktop. Você consegue ditar um email pelo celular. Você consegue ditar um lote de 12 variantes de cold email para o seu CRM pelo celular. Você vai odiar. Uma ferramenta desktop ganha o seu lugar aí. Até lá, o celular é gratuito.

If most of your desktop dictation is email — specifically dictating Gmail replies on a laptop — there is a separate breakdown of the Chrome-extension path versus the system-app path that goes deeper than this article does.

Preços

A maioria das ferramentas de transcrição quer $20 a $50 por mês. A gente cobra menos, e você pode pagar uma vez só.

O cenário de preços nesta categoria se divide em quatro grupos. Ferramentas de assinatura só com IA (Otter, Trint, Notta, Descript, Jamie) ficam na faixa de $10 a $50 por usuário por mês, às vezes com um nível gratuito generoso limitado por minutos de gravação. Serviços de IA mais transcrição humana como a Happy Scribe cobram por minuto além de uma assinatura; o nível humano sozinho sai de $1,90 a $2,00 por minuto. Ferramentas de ditado por atalho (Wispr Flow, nós) têm preço como software de produtividade, individual mensal ou anual, às vezes com opção lifetime. Depois existe a opção gratuita: Apple Dictation, Google Voice Typing, o microfone embutido do teclado do celular. Zero por mês enquanto Apple e Google mantiverem esses sistemas operacionais.

A regra de decisão honesta não é "qual é o mais barato". É "qual é o custo recorrente nos próximos três anos para o que eu realmente faço?" Uma ferramenta de reuniões de $20 por mês que você usa duas vezes por semana são $720 em três anos. Uma compra única lifetime de uma ferramenta de ditado que você usa todo dia é uma conta só. Multiplique o seu hábito mensal por 36 antes de clicar em assinar. A matemática raramente é amigável para uma assinatura que você usa uma vez por semana.

Os nossos números atuais (mensal, anual, lifetime, equipe) estão na página de preços. Não estou citando aqui porque mudam e a página é a fonte da verdade.

A versão chata deste artigo é que você já sabe o que precisa. Escreve o dia todo? Uma ferramenta de ditado por atalho, local ou cloud. Uma reunião por semana? Um anotador de reuniões, assinatura mensal. Uma única entrevista de 90 minutos? Pague $0,20 por minuto à Happy Scribe e siga em frente. Uma deposição jurídica? Contrate um humano. A versão não chata é que a maioria das pessoas nesta categoria está pagando pelo produto errado porque as páginas de marketing foram escritas pelas mesmas três pessoas. O movimento honesto é olhar para o que você faz esta semana, não o que espera fazer no mês que vem, e escolher a ferramenta cujo hero copy descreve exatamente isso. O resto é ruído.