Pular para o conteúdo
Local AI Wizard
Sua máquina
Tema

Como transcrever áudio localmente com o Whisper?

Qual Whisper escolher, a memória que a OpenAI documenta e os comandos que a ficha traz.

Primeiros passos · atualizado em

Resposta curta

Rode o Whisper, da OpenAI, no seu próprio computador: ele transforma áudio em texto, e a gravação não sai da sua máquina.

  • Escolha: large-v3-turbo. Cerca de 6 GB de memória de GPU; bem mais rápido, um pouco menos preciso.
  • large-v3: Cerca de 10 GB; um pouco mais preciso, mais lento.
  • Licença: Os dois permitem uso comercial.

Memória documentada pela OpenAI, como vinculada em cada página de modelo; licenças das fichas do Hub. Metodologia

Qual Whisper

O Whisper é o modelo aberto de reconhecimento de fala da OpenAI: ele escuta um arquivo de áudio e escreve o que foi dito, no idioma falado. Roda inteiro no seu computador, então as gravações não saem dele. Os dois checkpoints grandes atuais diferem sobretudo no decodificador: o turbo mantém o codificador do large-v3 e usa bem menos camadas de decodificação, o que o deixa menor e, pela descrição da OpenAI, muito mais rápido, com pequena perda de precisão.

Whisper large-v3 e large-v3-turbo: parâmetros, memória de GPU documentada, encaixe numa placa de 6 GB, licença e uso comercial.
ModeloParâmetros (B)Memória de GPU documentada (GB)RTX 3050 · 6 GB de VRAMLicença · uso comercial
Whisper large-v31,5510Precisa de mais memóriaApache 2.0 · Permitido
Whisper large-v3-turbo0,8096CabeMIT · Permitido

Como rodar

As formas que a ficha do Whisper large-v3-turbo documenta, exatamente como impressas. Não executadas por este site.

Formas documentadas de rodar

Copiado como aparece na fonte vinculada (lida em 2026-10-18); não executado por este site.

Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True, use_safetensors=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Usage
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor
from datasets import Audio, load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

dataset = load_dataset("hf-internal-testing/librispeech_asr_dummy", "clean", split="validation")
dataset = dataset.cast_column("audio", Audio(processor.feature_extractor.sampling_rate))
sample = dataset[0]["audio"]

inputs = processor(
    sample["array"],
    sampling_rate=sample["sampling_rate"],
    return_tensors="pt",
    truncation=False,
    padding="longest",
    return_attention_mask=True,
)
inputs = inputs.to(device, dtype=torch_dtype)

gen_kwargs = {
    "max_new_tokens": 448,
    "num_beams": 1,
    "condition_on_prev_tokens": False,
    "compression_ratio_threshold": 1.35,  # zlib compression ratio threshold (in token space)
    "temperature": (0.0, 0.2, 0.4, 0.6, 0.8, 1.0),
    "logprob_threshold": -1.0,
    "no_speech_threshold": 0.6,
    "return_timestamps": True,
}

pred_ids = model.generate(**inputs, **gen_kwargs)
pred_text = processor.batch_decode(pred_ids, skip_special_tokens=True, decode_with_timestamps=False)

print(pred_text)
Preparação indicada antes pela fonte · Transformers
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerate
Transformers · ficha do modelo · Chunked Long-Form
import torch
from transformers import AutoModelForSpeechSeq2Seq, AutoProcessor, pipeline
from datasets import load_dataset


device = "cuda:0" if torch.cuda.is_available() else "cpu"
torch_dtype = torch.float16 if torch.cuda.is_available() else torch.float32

model_id = "openai/whisper-large-v3-turbo"

model = AutoModelForSpeechSeq2Seq.from_pretrained(
    model_id, torch_dtype=torch_dtype, low_cpu_mem_usage=True
)
model.to(device)

processor = AutoProcessor.from_pretrained(model_id)

pipe = pipeline(
    "automatic-speech-recognition",
    model=model,
    tokenizer=processor.tokenizer,
    feature_extractor=processor.feature_extractor,
    chunk_length_s=30,
    batch_size=16,  # batch size for inference - set based on your device
    torch_dtype=torch_dtype,
    device=device,
)

dataset = load_dataset("distil-whisper/librispeech_long", "clean", split="validation")
sample = dataset[0]["audio"]

result = pipe(sample)
print(result["text"])

Limites

Os valores de memória da OpenAI são para placas NVIDIA (CUDA). Nenhum valor é documentado para Mac, então o site não transporta um; existem versões da comunidade, mas memória e velocidade são delas.

Precisão: nos resultados em inglês com trechos curtos do Open ASR Leaderboard, o large-v3 tem taxa média de erro por palavra de 7,44% e o turbo de 7,83% (menor é melhor), então o turbo abre mão de cerca de 0,4 ponto pelo decodificador menor. São os checkpoints publicados, na GPU do próprio ranking, em oito conjuntos de teste em inglês, não execuções no seu hardware, e outros idiomas não são medidos aqui. (Open ASR Leaderboard, arquivo de resultados de 2026-05-22, lido em 20 de out. de 2026)

Lado a lado: Whisper large-v3 vs large-v3-turbo para transcrição