Whisper vs Google Speech-to-Text

O Google Speech-to-Text é uma API, não um app que você abre

A primeira coisa a deixar clara: o Google Cloud Speech-to-Text não tem janela. Não há ícone no seu dock, nenhuma tecla de atalho, nenhum "aperte para falar". É um serviço com o qual o seu software conversa pela rede. Você envia áudio com código; ele devolve texto. A própria documentação do Google o descreve como reconhecimento síncrono, em streaming e assíncrono, consumido por meio de uma API.

Esse design é bom para o propósito dele. O reconhecimento em streaming retorna resultados parciais em tempo real, o que é útil se você está construindo um recurso de legendas ao vivo ou um comando de voz para o seu próprio produto. O reconhecimento assíncrono lida com gravações longas: você faz upload do áudio, o Google processa tudo em segundo plano, e você consulta o resultado quando está pronto. O Google documenta esse caminho em lote como capaz de processar áudios de até oito horas em um único trabalho. Essa é uma força real. Se você tem um galpão cheio de chamadas gravadas para transcrever durante a noite, um app de ditado para usuário final é a ferramenta errada, e uma API como a do Google é a certa.

Ele suporta uma longa lista de idiomas e variantes regionais de locale, os códigos BCP-47 que os engenheiros conhecem, como en-US, en-GB e es-MX. Não vou cravar aqui uma contagem exata de idiomas nem um preço por minuto, e eu desconfiaria de qualquer artigo que o fizesse. As páginas de preços e idiomas do Google mudam, e os números que circulam pela web nem sempre remetem a uma fonte primária na qual eu me apoiaria. O que posso afirmar sem ressalvas: é cobrança na nuvem baseada em uso. Você paga pelo que envia, seu áudio vai para os servidores do Google, e não há um modo local gratuito.

Duas pessoas, dois problemas diferentes

Aqui está a forma mais limpa que encontrei de dizer de que lado dessa linha você está. Imagine duas pessoas.

A primeira é uma desenvolvedora. Ela está construindo uma ferramenta de suporte ao cliente que transforma chamadas gravadas em texto pesquisável. A transcrição acontece no servidor dela, dentro do código dela, sem nenhum humano observando rodar. Ela quer um endpoint para o qual possa enviar áudio e uma resposta em JSON que possa guardar em um banco de dados. Ela nunca vai "abrir" o transcritor. Ele vive dentro do produto que ela entrega aos próprios clientes. Esse é o trabalho do Google Speech-to-Text. A API é o componente; o produto dela é o app.

A segunda é um escritor. Ou uma advogada redigindo no trem, ou uma estudante transformando uma aula em anotações, ou um pai respondendo ao e-mail da professora enquanto mexe o jantar. Ele não tem um servidor. Ele tem um cursor piscando em um documento, e prefere falar a digitar. Ele quer apertar uma única tecla, dizer a frase e vê-la aparecer no arquivo que já está aberto. Ele nunca vai escrever código, e não deveria ter que escrever. Esse é o nosso trabalho.

A confusão na palavra-chave vem do fato de "Whisper" fazer dupla função. O Google STT é um serviço de nuvem pronto. O Whisper é um modelo, e um modelo não é um app. Alguém tem que construir o app em volta dele: conectar o microfone, ligar a tecla de atalho, colar o texto no cursor. Essa é a parte que fizemos.

O Whisper dentro do nosso app é ditado de desktop, e roda na sua máquina

O Whisper é o modelo de fala que a OpenAI abriu como open-source. Nosso app o roda localmente: Rust puro, sem sidecar em Python, sem servidor no caminho para o ditado comum. Você aperta uma tecla de atalho (Ctrl+Space no Windows por padrão, totalmente remapeável), fala, solta, e o texto cai onde quer que seu cursor já esteja. Sem código. Sem chave de API para o caminho local. O áudio nunca sai do laptop.

Essa última parte é o ponto central de tudo, e é a que não aparece numa tabela de recursos.

No nível local você escolhe entre oito modelos Whisper, de cerca de 140 MB até 3 GB; você troca tamanho de download e tempo de CPU por precisão. Quatro são ajustados para o inglês; os quatro multilíngues cobrem uma ampla gama de idiomas e podem traduzir a fala para o inglês no mesmo gesto, algo que a API do Google não embute em um único toque de ditado e que a maioria das ferramentas de consumo pula por completo. Há também o Parakeet, um motor separado da NVIDIA que é de 5 a 10 vezes mais rápido que o Whisper na CPU para inglês e outros 24 idiomas europeus, e ele roda sem GPU.

Todo o pipeline local é gratuito para qualquer usuário logado, sem cartão no cadastro: todos os modelos, limpeza por IA via Ollama, histórico, hotwords personalizadas, tudo. Se você quer a superfície na nuvem, isso é o Whisper Pro: transcrição na nuvem da OpenAI (gpt-4o-mini-transcribe ou gpt-4o-transcribe), limpeza por IA na nuvem e busca na web, tudo com a sua própria chave da OpenAI, sem que a Remskill fique com nada. Isso é opcional. O padrão é local e gratuito.

A verdade sem graça é que, para um parágrafo de texto ditado, seu laptop já tem um microfone e uma CPU. Ele não precisa de um data center.

Os modelos de custo não têm o mesmo formato

É aqui que a comparação deixa de ser entre coisas equivalentes. Uma API na nuvem cobra por minuto de áudio. Um app de ditado local cobra, no máximo, uma vez.

Vi o modelo por minuto morder uma vez. Uma equipe com quem trabalhei contratou um terceirizado para construir um protótipo interno de "ditado com IA" que chamava uma API na nuvem a cada fala. Uma rotina de "retry inteligente" ficou agressiva demais e re-transcreveu as mesmas gravações de standup quatro vezes seguidas. O gerente da equipe abriu o painel de custos no fim do trimestre e encontrou uma conta de cinco dígitos. A solução do terceirizado foi "a gente devia otimizar o prompt". A solução do CFO foi "ou a gente não devia pagar por transcrição na nuvem de reuniões que já têm anotações".

Isso não é uma crítica à API do Google. Usada como pretendido, por engenheiros que ficam de olho no medidor, ela é bem precificada para pipelines de produção. É uma crítica a usar um serviço de nuvem medido para algo que um app local faz de graça. Transcrição só na nuvem é um desastre de privacidade esperando para ser cobrado. Seus rascunhos de contrato, sua planilha de salários, o e-mail para a escola do seu filho, tudo saindo da sua máquina porque você quis falar em vez de digitar. Para um indivíduo ditando o dia inteiro, local-first é o padrão certo, e o medidor nunca começa a rodar.

Lado a lado

Aqui está a disposição honesta. Repare que a tabela não é realmente sobre "qual é melhor". É sobre "em qual categoria você está".

Nenhum número específico do Google nessa tabela, de propósito. O que importa é o formato: servidor vs máquina, código vs tecla de atalho, medidor vs gratuito. Se essas linhas apontam você para a API, ótimo, continue lendo a próxima seção. Se apontam para o app, o botão de download está lá embaixo.

Quando o Google Speech-to-Text é a ferramenta certa

Eu recorreria à API do Google, não ao nosso app, em alguns casos bem claros. Esta é a seção que os artigos de IA pulam, então aqui vai ela, sem rodeios.

Se qualquer um desses casos for o seu, feche esta aba e abra a documentação do Google. A gente não faz lado de servidor. Não é falsa modéstia; é um produto diferente.

Quando o Whisper dentro do nosso app é a ferramenta certa

O outro lado. Você não está construindo software. Você está tentando parar de digitar.

Você quer ditar e-mails, anotações, mensagens, comentários de código, e vê-los aparecer em qualquer app em que você já esteja. Você prefere que seu áudio não vá para o servidor de ninguém. Você não quer um medidor por minuto rodando enquanto você pensa. Você quer começar de graça, e não quer escrever uma linha de código para usar.

Escolha o Parakeet por velocidade e inglês; escolha um modelo Whisper multilíngue quando precisar de tradução, idiomas menos comuns ou controle mais fino. O pipeline local não custa nada; o nível Cloud (transcrição da OpenAI com a sua própria chave) é opcional e tem preço na página de preços.

Para o lado offline, local e gratuito dessa questão, escrevi sobre os trade-offs mais amplos em transcrição local vs nuvem. E se você está escolhendo entre os dois motores locais que entregamos, Whisper vs Parakeet percorre velocidade versus cobertura de idiomas.

Se você só lembrar de uma coisa

O Google Speech-to-Text é uma API para engenheiros; o Whisper dentro do nosso app é ditado para pessoas. Perguntar qual é "melhor" é como perguntar se um motor de carro é melhor que um carro. Depende inteiramente de se você está construindo a coisa ou dirigindo ela.