Voz para texto no Windows: grátis ou pago

Três caminhos em um minuto

O app não escolhe um modelo de transcrição por você. Você escolhe entre três caminhos. Isso é proposital.

Cloud (OpenAI, BYOK) — o caminho de maior qualidade

Você usa sua própria chave da API OpenAI. A transcrição roda em gpt-4o-mini-transcribe (padrão) ou gpt-4o-transcribe. O aprimoramento de texto por IA roda em gpt-5-mini por padrão; gpt-5-nano e gpt-5 também estão disponíveis. A busca na web passa por gpt-4o-mini via Responses API. Você paga a OpenAI direto pelo uso; não pegamos nada. Escolha esse caminho se quer a melhor qualidade e acesso à web em uma única ferramenta, e não se importa em pagar por minuto direto para a OpenAI.

Parakeet (NVIDIA TDT, ~600 MB) — o caminho local mais rápido

Parakeet v3 é de 5 a 10× mais rápido que Whisper na CPU. Inglês mais 24 idiomas europeus. Sem tradução para inglês. Sem alternância de código com escritas asiáticas. A qualidade é boa, não é qualidade Whisper-large-v3, mas é mais que suficiente para e-mails e documentos do dia a dia. Escolha esse caminho se quer velocidade e fala majoritariamente inglês.

Whisper local (8 modelos) — o caminho local com mais controle

Mais lento que Parakeet no mesmo hardware. Em troca, você ganha 99 idiomas nas builds multilíngues, tradução para inglês, vocabulário customizado, controle de beam size e bias por hotword. Escolha esse caminho se precisa de tradução, transcrição multilíngue (especialmente chinês, japonês, coreano, que Parakeet não consegue fazer) ou controle mais fino por gravação.

Os três caminhos usam a mesma hotkey, o mesmo overlay, as mesmas configurações. Trocar é um clique.

O que o Windows já te entrega (Win+H)

Abra qualquer campo de texto: Word, Outlook, a barra de endereços do navegador, Notepad, o input do Slack. Aperte Windows + H. Uma pequena barra de ditado aparece, e seu PC está ouvindo. Fale. Clique fora ou aperte o botão de parar na barra, e o texto fica. Esse é todo o básico.

A Microsoft chama isso de Voice Typing. Vem embutido no Windows 10 e no Windows 11. Não tem app para instalar. Não tem "treinamento" do jeito que aquele meu parente tinha que fazer no Dragon NaturallySpeaking num desktop Windows 98 em 1999, quando levava 45 minutos lendo uma lista de calibração antes do software conseguir decidir se você falou "writing" ou "riding". A tecnologia de voz foi melhorando em silêncio enquanto ninguém olhava, e a Microsoft entregou o resultado em uma atualização do sistema sem release de imprensa.

Algumas coisas para saber de cara. Voice Typing usa o reconhecimento de fala online da Microsoft, alimentado pelos serviços do Azure Speech. Isso significa que o áudio sai do seu notebook a caminho de um data center da Microsoft. Se você está ditando uma planilha de salários, um memorando de RH, ou qualquer coisa sob HIPAA ou GDPR, isso importa. Verifique a política da sua TI ou use uma ferramenta cuja história de privacidade seja mais simples. O recurso suporta mais de 50 idiomas com variantes regionais. Em um Copilot+ PC (a nova geração Snapdragon X / Surface), também existe um recurso de Voice Typing chamado Fluid dictation que usa um modelo de linguagem pequeno no dispositivo para corrigir gramática, pontuação e palavras de preenchimento enquanto você fala, atualmente disponível em todas as variantes do inglês.

Voice Typing vs Voice Access — escolha a superfície certa

Dois recursos diferentes da Microsoft, frequentemente confundidos. Voice Typing é o que você ganha com Windows + H. Voice Access é um recurso separado para controlar todo o PC por voz: abrir apps, clicar em botões, rolar a tela, além de redigir texto. Voice Access exige Windows 11 22H2 ou posterior, usa reconhecimento de fala no dispositivo que funciona sem conexão de internet, e substituiu o antigo Windows Speech Recognition em setembro de 2024. Os idiomas do Voice Access cobrem inglês (seis variantes regionais), espanhol, alemão, francês, chinês simplificado e tradicional, japonês e italiano.

Se seu objetivo é "quero ditar texto em apps", você quer Voice Typing. Se seu objetivo é "não consigo usar mouse e teclado, preciso operar o PC inteiro", você quer Voice Access. Os dois funcionam em premissas diferentes e a documentação fica em lugares diferentes. A maioria dos leitores que pesquisa "voz para texto no Windows" quer Voice Typing.

Quando o Microsoft Voice Typing já basta

Cá entre nós, a maioria das pessoas não precisa de um app de ditado pago. Se você está mandando uma resposta de 30 palavras, ditando numa thread do Slack ou anotando algo no calendário, Windows + H é gratuito e funciona. O Whisper começa a valer a pena por volta da marca de 200 palavras, onde a precisão do Voice Typing e a falta de uma etapa de aprimoramento começam a doer. Frases longas viram emendas. A pontuação se desvia. Nomes próprios oscilam; o nome da minha filha mais velha já foi transcrito como "Maira", "Mirror", e uma vez, memoravelmente, "Mirror image".

A divisão é mais ou menos: curto, casual, só inglês, sem preocupação de compliance → Voice Typing. Longo, intencional, multilíngue, sensível, ou você quer aprimoramento → use uma ferramenta de verdade. Se seu dia é basicamente conversas de duas linhas no Teams, você terminou de ler este artigo. Se seu dia envolve rascunhar e-mails, peças jurídicas, comentários de código, resumos de aula ou variantes de copy de marketing, continue. dictating into Word specifically has a few extra considerations worth reading.

And if you want the inverse — Windows reading text back to you for proofreading long drafts — the honest free text-to-speech roundup covers Edge's built-in Read Aloud and the five tools worth the install.

Prefere a página do produto em vez do tutorial? Conversão de fala em texto do Whisper para Windows apresenta o aplicativo, os modelos locais e o download em um só lugar.

Passo a passo: modo Cloud (o caminho OpenAI BYOK)

Cloud é o caminho de maior qualidade e o primeiro que eu configuraria em uma máquina nova. Tempo previsto: cerca de 3 minutos se você já tem uma chave da OpenAI.

Caminho alternativo: Parakeet (a faixa local-first)

Se você prefere que seu áudio não saia do notebook, Parakeet é o motor local mais rápido.

Instale

Mesmo instalador do Whisper. Settings → Transcription → mude o modo para Local — Parakeet. O app baixa o arquivo do modelo Parakeet v3 (~600 MB) e descompacta na primeira execução.

Use

Mesma hotkey: segure Ctrl + Space, fale, solte. A transcrição aparece no seu cursor, igual ao modo cloud. Não precisa de internet depois que o modelo está baixado. Toda transcrição é Rust puro via transcribe-rs (sem sidecar Python).

Quando escolher

Falante de inglês. Trabalho majoritariamente em inglês. Alternância de código entre idiomas da UE funciona bem; Parakeet cobre 25 idiomas, incluindo francês, alemão, espanhol, italiano, polonês, ucraniano, russo e mais 17. Você quer velocidade e não precisa de tradução para inglês ou idiomas asiáticos. Parakeet roda de 5 a 10× mais rápido que Whisper na CPU, o que num notebook típico Intel i5/i7 significa que você termina o ditado antes do dedo sair da tecla.

Quando pular

Você fala chinês, japonês, coreano, árabe ou outro idioma fora da UE; precisa de tradução para inglês; ou precisa de controle de beam size e hotword. Use o caminho do Whisper local ou Cloud no lugar.

Caminho alternativo: Whisper local (quando você precisa de controle)

Whisper local é o motor local mais amplo. 99 idiomas nas builds multilíngues. Tradução para inglês. Vocabulário customizado. Controle de beam size. Bias por hotword.

Instale

Mesmo instalador do Whisper. Settings → Transcription → mude o modo para Local — Whisper. Escolha um modelo.

Use

Mesma hotkey: segure Ctrl + Space, fale, solte. O aprimoramento por IA no modo local é via Ollama, se você tiver instalado; caso contrário, transcrição bruta.

Presets de performance

Settings → Transcription → Performance. Três opções: Fast (beam 3), Balanced (beam 6), Accurate (beam 9). Fast e Balanced atendem a maioria dos usuários; Accurate é para transcrição de alta exigência onde você pode esperar um segundo a mais.

Quando escolher

Você traduz ucraniano para inglês no meio da frase, dita em japonês, alterna entre cinco idiomas no mesmo parágrafo, ou quer bias de hotword para vocabulário específico de um setor (médico, jurídico, técnico).

Quando pular

Você é falante só de inglês e quer a opção local mais rápida; escolha Parakeet. Você quer precisão de ponta e tem uma chave da OpenAI; escolha Cloud.

A comparação honesta: Microsoft Voice Typing, Wispr Flow e Whisper

Wispr Flow é um produto cloud-only bem polido por cerca de $15 por mês no Windows. A transcrição de fato acontece pela mesma família de modelos Whisper rodando na GPU de outra pessoa. Nós fazemos o mesmo motor rodar no seu notebook, cobramos $9.99 por mês, e incluímos a nuvem (BYOK para a OpenAI) como fallback quando você quiser. O preço lifetime ($69) empata com a assinatura mensal em sete meses: a $9.99 × 7 você teria gasto $69.93 no plano mensal. A maioria dos usuários continua ditando por bem mais que sete meses. Lifetime é o preço honesto para uma ferramenta que você usa de fato.

Quero deixar claro: Wispr Flow é um produto de verdade feito por gente esperta. Se a UI deles é o que te convence a ditar, isso vale mais que $20 por mês em digitação economizada. Só achamos que ditado não devia custar uma assinatura mensal eterna em 2026.

If your dictation lives mostly in the browser, the Chrome-extension route is a different trade-off again; the honest Voice In (Dictanote) alternative weighs an in-page extension against a system-wide app that types into every window.

Escolhendo o modelo Whisper certo para o seu hardware

O Whisper vem em oito tamanhos dentro do app. A verdade sem graça é que a maioria dos usuários do Windows deve escolher small.en para trabalho só em inglês, ou small para multilíngue, e nunca mais pensar nisso.

Todos os tamanhos vieram direto do registro de modelos do app desktop; nada de arredondamento, nada de número do paper público do Whisper.

Algumas regras práticas. Com 8 GB de RAM, o modo Cloud roda em qualquer hardware. Local: Parakeet, base.en ou small.en são as escolhas seguras; medium.en vai engasgar. Com 16 GB+ e GPU dedicada, todos os caminhos rodam confortavelmente e large-v3 e turbo são os que mais se beneficiam da GPU. Um microfone USB de $20 faz mais pela precisão de transcrição do que trocar small.en por medium.en. Gaste no input antes de gastar no modelo.

Para usuários multilíngues alternando entre inglês e ucraniano, alemão ou japonês no meio do parágrafo, large-v3 ou turbo é a única família de modelos que lida com alternância de código real de forma limpa. Modelos multilíngues menores conseguem transcrever bem um idioma, mas oscilam quando você troca no meio da frase.

Três coisas que tropeçam as pessoas na primeira semana

Uma historinha que pode te poupar uma noite. A primeira versão do handler de hotkey do Whisper disparava o callback de parar a gravação seis vezes a cada tecla pressionada de verdade no Windows. Funcionava bem em uma instalação limpa, quebrava em máquinas de cliente que tinham qualquer tipo de input de idioma habilitado. Foram vários dias de telemetria, um debounce de 50ms que não era suficiente, depois um debounce de 300ms que finalmente foi. O IME do Windows gera eventos fantasmas de release de Ctrl + Space em intervalos imprevisíveis; ou você faz debounce, ou perde a sanidade. Escolhemos a primeira opção. O debounce é invisível para você; ele só fica lá, fazendo o trabalho dele, do jeito que a maioria da boa infraestrutura faz.

If your Win + H toolbar opens but the microphone meter never moves — or the whole shortcut does nothing — that's a different problem with its own short fix list: eight verified fixes for Windows voice typing that stopped working.

Se você só vai lembrar de uma coisa, lembre disso: seu PC Windows já faz voz para texto, de graça, bem o suficiente para anotações curtas. Use. Quando a história de privacidade (áudio roteado pelo Azure), a falta de aprimoramento e os limites no ditado de formato longo começarem a custar tempo de verdade (geralmente por volta da marca de 200 palavras, geralmente cerca de uma semana depois), aí uma ferramenta de ditado de verdade paga o aluguel. Tente local primeiro se você se importa com privacidade ou está majoritariamente offline. Cloud é o caminho de maior qualidade se não. A troca é um clique em Settings, e a hotkey é a mesma. Se você está pesando passos de configuração na cabeça agora, o experimento mais rápido é: instale o Whisper, configure o modo Cloud com sua chave da OpenAI, segure Ctrl + Space, dite este parágrafo de volta numa janela do Notepad, e veja se você ainda quer voltar a digitar. Aposto que não.