Transcrição e ditado grátis no teu computador: Whisper local, sem internet

Os serviços de transcrição cobram por minuto de áudio. Os de ditado, por subscrição mensal. E ambos têm em comum algo que quase nunca se discute: para funcionarem, a tua voz tem de sair do teu computador e chegar a um servidor alheio.

Há outra forma. O Whisper, o modelo de transcrição da OpenAI, foi publicado com licença MIT e pode ser executado na tua própria máquina. Este artigo explica o que é realmente preciso, o que se ganha e em que casos a nuvem continua a ser melhor.

O que significa "local"

Que o modelo é descarregado uma vez e executado no teu processador ou na tua placa gráfica. O áudio não é carregado para lado nenhum. Não há chamada a uma API, não há custo por minuto e não é preciso ligação.

Na prática, serve para duas coisas diferentes:

• Transcrever: converter em texto uma reunião gravada, uma entrevista ou o áudio de um vídeo.
• Ditar: falar e o texto aparecer na aplicação que estás a usar, em vez do teclado.

Que computador é preciso, sem marketing

Esta é a pergunta a que mais se responde mal, por isso vai com números aproximados e honestos.

O Whisper existe em vários tamanhos, e o tamanho decide tudo:

• tiny e base (cerca de 75–150 MB): correm em quase qualquer portátil, só com CPU. São rápidos e enganam-se bastante, sobretudo com nomes próprios e sotaques fortes. Servem para procurar algo dentro de um áudio, não para publicar.
• small (cerca de 500 MB): o equilíbrio razoável. Com 8 GB de RAM funciona em CPU, sem folga.
• medium (1,5 GB): já se nota a qualidade. Em CPU é lento; com placa gráfica dedicada, confortável.
• large-v3 e as variantes turbo (cerca de 3 GB): qualidade de referência. Aqui queres mesmo uma placa gráfica dedicada com 6 GB de VRAM ou mais.

Como regra prática: sem placa gráfica dedicada, fica-te pelo small. Com placa gráfica, o large na variante turbo. Num Mac com chip da Apple a coisa melhora bastante, porque o modelo pode usar o Neural Engine e fica visivelmente mais rápido do que em CPU pura. (Isto vale para o Whisper em geral: a app para computador da Polimake, para já, só existe para Windows.)

Quanto à velocidade: com uma placa gráfica razoável, uma hora de áudio é transcrita em poucos minutos. Só com CPU e o modelo small, conta com algo parecido com a duração do próprio áudio. Não é instantâneo, mas lança-se e deixa-se a trabalhar.

As vantagens

Processamento local. O Whisper pode transcrever o áudio no próprio computador, sem o enviar para um serviço de transcrição na nuvem.

Custo zero por utilização. Os serviços cobram ao minuto. Se transcreves quatro horas por semana, isso é uma fatura mensal permanente. Localmente, a fatura é a da luz.

Sem limites nem quotas. Podes transcrever um arquivo histórico inteiro de uma vez. Num serviço pago, isso mesmo é uma decisão de orçamento.

Funciona sem ligação. Num avião, numa rodagem sem rede ou com o wifi de um hotel, continua a funcionar.

Não expira. O modelo está descarregado. Se amanhã os preços mudarem ou o serviço fechar, a tua instalação continua igual.

As desvantagens, em detalhe

A qualidade depende do modelo, e o modelo da tua máquina. Esta é a principal. Um tiny num portátil antigo comete erros que um serviço pago não comete. Comparar "local" com "nuvem" sem dizer que modelo se usa é fazer batota.

Da primeira vez é preciso descarregar. Entre 500 MB e 3 GB, consoante o modelo. Uma única vez, mas tem de ser feito.

Consome a máquina enquanto trabalha. Enquanto transcreve, o computador fica mais lento e nota-se a ventoinha. Num portátil, a bateria desce depressa.

A diarização é mais fraca. Separar quem diz o quê —"isto disse a Ana, isto o Luís"— é onde os serviços comerciais têm mais vantagem. Localmente existe, mas é pior.

Áudio mau continua a ser áudio mau. Nem a nuvem nem o local salvam uma gravação com eco, com três pessoas a falar ao mesmo tempo ou com o microfone a dois metros. A qualidade de entrada pesa mais do que o modelo.

Idiomas e sotaques desiguais. O Whisper funciona muito bem em espanhol e inglês. Em idiomas com menos dados de treino, ou com sotaques muito marcados e muito jargão técnico, a taxa de erro sobe.

Quando é que a nuvem continua a ganhar

Com a mesma honestidade:

• Se o teu computador for modesto e precisares de qualidade alta, um serviço pago vai dar-te melhor resultado do que um tiny local.
• Se precisares de uma diarização fina com muitos interlocutores.
• Se transcreves muito pouco, três áudios por ano, nem compensa descarregar o modelo.
• Se precisares de resultados imediatos em grande volume e a tua máquina não der conta do recado.

É uma decisão de caso, não de lado.

O que torna uma transcrição útil

Transcrever por transcrever serve de pouco: acabas com um .txt de nove mil palavras que também não vais ler.

O que muda tudo é quando a transcrição entra num índice. Se o que se disse em cada vídeo for texto pesquisável, podes perguntar "a entrevista em que fala do processo à mão" e chegar ao minuto exato, meses depois, sem te lembrares da data nem do nome do ficheiro.

Na app para computador da Polimake a transcrição é gratuita e local, precisamente porque é a tua máquina que a executa. O que se paga —se quiseres— é que esse texto e esse material vivam num arquivo partilhado, pesquisável por toda a equipa e acessível a partir do teu assistente. Aí sim, há armazenamento por trás.

Mas a parte de transcrever no teu computador, sem que o áudio saia dele, é grátis e vai continuar a sê-lo. Não por generosidade: porque não nos custa nada.

Perguntas frequentes

O Whisper é grátis?

Sim. A OpenAI publicou o código e os modelos do Whisper em 2022 com licença MIT, que permite usá-los de graça, também para fins comerciais, e instalá-los no teu próprio computador. O que se paga é a API de transcrição da OpenAI, que processa o áudio nos servidores deles e cobra ao minuto.

O Whisper funciona bem em espanhol?

Sim. O espanhol está entre os idiomas em que o Whisper comete menos erros, junto com o inglês, porque é dos que tinham mais horas de áudio no treino. Deteta o idioma automaticamente e acrescenta pontuação. As falhas concentram-se em nomes próprios, siglas e termos técnicos, que convém rever.

O Whisper distingue quem está a falar?

Não por si só: o Whisper transcreve e marca os tempos, mas não separa interlocutores. Para saber quem disse o quê é preciso combiná-lo com um modelo de diarização, como o pyannote, que é o que fazem ferramentas como o WhisperX. O resultado melhora muito se cada pessoa tiver o seu próprio microfone.

Como usar o Whisper no Windows sem programar?

Com uma aplicação que o inclua com interface gráfica, como o Subtitle Edit ou a app para computador da Polimake, uma app gratuita para Windows que transcreve localmente com o Whisper e traz também um editor de vídeo. Escolhes o ficheiro, o modelo e o idioma, e a transcrição é feita no teu computador sem carregar o áudio.