Como transcrever áudio localmente com o Whisper?
Qual Whisper escolher, a memória que a OpenAI documenta e os comandos que a ficha traz.
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.
| Modelo | Parâmetros (B) | Memória de GPU documentada (GB) | RTX 3050 · 6 GB de VRAM | Licença · uso comercial |
|---|---|---|---|---|
| Whisper large-v3 | 1,55 | 10 | Precisa de mais memória | Apache 2.0 · Permitido |
| Whisper large-v3-turbo | 0,809 | 6 | Cabe | MIT · 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.
pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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"])pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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)pip install --upgrade pip
pip install --upgrade transformers datasets[audio] accelerateimport 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