Mecanismos

O Audiotext transcreve com um de três mecanismos, escolhido no cartão Mecanismo das configurações da transcrição.

	WhisperX	API do Whisper	API do Google
Roda em	Seu computador	Servidores da OpenAI	Servidores do Google
Internet	Só para baixar os modelos	Necessária	Necessária
Custo	Grátis, ilimitado	Pago	Camada gratuita (60 min/mês), ou pago com uma chave de API
Detecta o idioma	✓	✓	✗
Traduz	✓	✓	✗
Carimbos de tempo	✓	Depende do modelo	✗
Identifica falantes	✓ (token do Hugging Face)	gpt-4o-transcribe-diarize	✗
Tempos por palavra	✓	whisper-1	✗
Texto ao vivo	✓	✗	✗
Palavras de baixa confiança	✓ (tempos por palavra)	whisper-1 (segmentos)	✗

WhisperX

O WhisperX é uma implementação rápida do Whisper da OpenAI que roda no seu computador, então o seu áudio nunca sai dele. Ele roda na CPU ou, muito mais rápido, em uma GPU NVIDIA com CUDA ou na GPU de um Mac com Apple Silicon.

Modelo

Os modelos maiores são mais precisos, porém mais lentos e usam mais memória. O modelo é baixado na primeira vez que é usado.

Modelo	Parâmetros	VRAM necessária
tiny, tiny.en	39 M	~1 GB
base, base.en	74 M	~1 GB
small, small.en	244 M	~2 GB
distil-small.en	166 M	~2 GB
medium, medium.en	769 M	~5 GB
distil-medium.en	394 M	~3 GB
large-v1, large-v2, large-v3	1550 M	<8 GB
large-v3-turbo	809 M	~6 GB
distil-large-v2, distil-large-v3, distil-large-v3.5	756 M	~5 GB

• large-v2 é o padrão, já que o large-v3 tende a alucinar e repetir texto com mais frequência, especialmente em alguns idiomas como o japonês, e omite mais pontuação.
• large-v3-turbo é uma versão reduzida do large-v3, muito mais rápida e quase tão precisa quanto ele.
• Os modelos terminados em .en (tiny.en, base.en, small.en, medium.en) e os destilados (distil-small.en, distil-medium.en, distil-large-v2, distil-large-v3, distil-large-v3.5) só transcrevem inglês. Eles são mais rápidos que os modelos multilíngues do mesmo tamanho.

Dica

Para testar o Audiotext rapidamente, escolha tiny ou small. Para a melhor qualidade, use large-v2 ou large-v3-turbo em uma GPU.

Em um Mac

Nos Macs com Apple Silicon, o MLX Whisper transcreve na GPU, muito mais rápido do que na CPU. Depois, o WhisperX alinha as palavras e identifica os falantes na CPU, como sempre, então as transcrições mantêm os tempos por palavra, as pontuações e os falantes.

• A versão MLX do modelo é baixada na primeira vez que é usada.
• distil-small.en, distil-large-v2 e distil-large-v3.5 não têm versão MLX, então rodam na CPU.
• O texto ao vivo sempre roda na CPU.
• Tipo de computação e Tamanho do lote não se aplicam na GPU, já que o MLX sempre calcula em meia precisão e sem lotes.
• Para transcrever na CPU, ative Usar CPU em Preferências → Transcrição.

Opções avançadas

Ficam em Preferências → Transcrição → WhisperX. Mude-as apenas se tiver problemas ou souber o que está fazendo: uma GPU sem memória pode travar o seu sistema.

• Tipo de computação: a precisão dos números do modelo. float16 é mais rápido em GPUs NVIDIA (o padrão com CUDA). int8 usa menos memória e é o padrão na CPU, já que muitas CPUs não suportam float16 com eficiência. float32 é o mais preciso, para GPUs com mais de 8 GB de VRAM.
• Tamanho do lote: quantas partes do áudio são processadas de uma vez (8 por padrão). Não muda a qualidade, só a velocidade. Diminua-o se faltar memória; recomenda-se até 16.
• Usar CPU: roda o WhisperX na CPU. Fica sempre ativado se nenhuma GPU for encontrada (uma GPU NVIDIA com CUDA, ou a GPU de um Mac com Apple Silicon).

API do Whisper

Usa a API de fala para texto da OpenAI. Ela é indicada para computadores que não rodam o WhisperX com fluidez, e exige uma chave de API da OpenAI (consulte Chaves de API).

Modelo	Carimbos de tempo	Falantes	Observações
whisper-1 (padrão)	✓	✗	Pode ser reproduzido segmento por segmento e legendado. Traduz para o inglês. Pontua cada segmento, para revisar os de baixa confiança.
gpt-transcribe	✗	✗	Mais preciso, mas sem carimbos de tempo.
gpt-4o-transcribe-diarize	✓	✓	Identifica os falantes. Não usa as palavras-chave nem a descrição.

As traduções para o inglês são sempre feitas pelo whisper-1, já que é o único modelo que traduz.

Os áudios longos são divididos em trechos de até 10 minutos, cortados em um silêncio para não partir nenhuma palavra, já que a API rejeita arquivos maiores que 25 MB. Com o whisper-1, o final de cada trecho é passado como contexto para o seguinte; com o gpt-4o-transcribe-diarize, uma amostra da voz de cada falante é enviada com os trechos seguintes, para que mantenham os seus rótulos.

Opções

• Formato da resposta (cartão Saída, para pastas): text (padrão), json, verbose_json, srt ou vtt. As legendas e o verbose_json exigem um modelo com carimbos de tempo.
• Temperatura (Preferências → Transcrição): entre 0 e 1. Valores altos como 0,8 tornam o resultado mais aleatório, e valores baixos como 0,2, mais focado. Com 0 (padrão), o modelo a aumenta automaticamente quando necessário.
• Carimbos de tempo das palavras (Preferências → Transcrição): se o whisper-1 também retorna os carimbos de tempo de cada palavra, para destacá-la durante a reprodução. Demora mais. Ativado por padrão.

API do Google

Usa a API Speech-to-Text do Google. Ela não pontua as frases (o Audiotext adiciona a pontuação), e a qualidade é menor que a do Whisper, então as transcrições costumam precisar de correções. Ela não detecta o idioma nem traduz, e retorna texto simples sem carimbos de tempo.

Sem chave de API, é usada a camada gratuita, limitada a 60 minutos por mês. Para ampliá-la, defina uma chave de API do Google. O Google cobra pelo uso, pelo qual o Audiotext não se responsabiliza.