Por Equipa editorial de whispertranscribe.ai · Última atualização: novembro de 2026 · 13 min de leitura
O que é Whisper AI? Na maioria das pesquisas, refere-se ao OpenAI Whisper, um modelo de reconhecimento de fala de código aberto publicado pela OpenAI em setembro de 2022. Converte fala gravada em texto, identifica o idioma falado e pode traduzir outros idiomas para inglês. A OpenAI treinou-o com 680.000 horas de áudio da Web e disponibilizou o código e os pesos sob licença MIT.
Uma nota de transparência: somos responsáveis por whispertranscribe.ai. whispertranscribe.ai é uma ferramenta Web de transcrição com IA que converte áudio e vídeo em texto em mais de 130 idiomas. Este guia distingue claramente o modelo dos produtos construídos à sua volta, e cada valor sobre o modelo vem do artigo, repositório ou ficha de modelo da OpenAI.
Resposta rápida: o que é Whisper AI?
O Whisper é um modelo de fala para texto, não uma aplicação nem uma empresa. Pode descarregá-lo do repositório GitHub da OpenAI e executá-lo no seu computador ou usar um serviço que o execute por si.
- Criado por: OpenAI. O artigo de investigação, Reconhecimento de fala robusto através de supervisão fraca em grande escala, foi publicado no arXiv em 6 de dezembro de 2022.
- O que faz: transcreve fala, deteta o idioma, traduz fala para inglês e acrescenta tempos por segmento.
- O que não faz de origem: identificar quem fala ou transcrever em direto. A ficha do modelo da OpenAI indica que não pode ser usado para transcrição em tempo real sem trabalho adicional.
- Tamanhos: seis, de tiny (39 milhões de parâmetros) a large (1.550 milhões).
- Custo: gratuito para descarregar e executar. O equipamento é fornecido pelo utilizador.
«Whisper AI» pode significar três coisas diferentes
O nome é usado de forma pouco rigorosa e estes três significados podem ser confundidos.
| O que se chama «Whisper AI» | O que é | Quem o cria | Como se usa |
|---|---|---|---|
| OpenAI Whisper | Modelo de reconhecimento de fala de código aberto | OpenAI | Descarregar código e pesos e executar localmente |
| whisper-1 | Modelo da API alojada da OpenAI para transcrição | OpenAI | Enviar ficheiros de áudio à API da OpenAI e pagar por utilização |
| Aplicações com «Whisper» no nome | Produtos de transcrição, como whisperai.com e whispertranscribe.ai (este site) | Empresas distintas | Carregar ou gravar áudio nas suas aplicações |
Os produtos da terceira linha não são o próprio modelo nem são intercambiáveis. Cada empresa define funcionalidades, limites, preços e termos de privacidade. Neste artigo, «Whisper» significa o modelo da OpenAI.
Como funciona o Whisper?
O Whisper é um Transformer codificador-descodificador. O codificador transforma 30 segundos de áudio numa representação numérica e o descodificador escreve o texto correspondente um token de cada vez, orientado por tokens especiais que indicam a tarefa.
O artigo sobre o Whisper descreve este processo:
- Reamostrar. O áudio é convertido para 16.000 Hz.
- Dividir em janelas de 30 segundos. O modelo observa sempre 30 segundos de cada vez. Excertos mais curtos são preenchidos.
- Criar um espectrograma. Cada janela torna-se um espectrograma log-Mel de 80 canais, uma representação de como a energia sonora varia entre frequências, calculada em quadros de 25 milissegundos a cada 10 milissegundos. (large-v3 passou a 128 canais.)
- Codificar. Duas camadas convolucionais e uma sequência de blocos Transformer processam o espectrograma.
- Descodificar. O descodificador prevê primeiro o idioma ou um token de «sem fala». Depois vêm a tarefa (transcrever ou traduzir), a indicação de incluir ou não tempos e, por fim, o texto.
Os tempos também são previstos como tokens, arredondados aos 20 milissegundos mais próximos. Assim, um modelo trata deteção de idioma, transcrição, tradução e sincronização.
Com que dados foi treinado o Whisper?
Os modelos originais aprenderam com 680.000 horas de áudio da Internet e as respetivas transcrições. A OpenAI chama-lhe «supervisão fraca» porque as transcrições não foram verificadas manualmente como nos conjuntos de avaliação.
| Parcela do áudio de treino | Horas | Conteúdo |
|---|---|---|
| Cerca de 65% | 438.000 | Áudio inglês com transcrições em inglês |
| Cerca de 18% | 126.000 | Áudio não inglês com transcrições em inglês (dados de tradução) |
| Cerca de 17% | 117.000 | Áudio não inglês com transcrições no mesmo idioma |
Fonte: ficha do modelo Whisper da OpenAI. O artigo arredonda a parcela de tradução para 125.000 horas.
Dois detalhes explicam muito do comportamento do Whisper. A OpenAI filtrou transcrições que pareciam feitas por máquinas, como texto todo em maiúsculas, pelo que o modelo aprendeu a escrever frases pontuadas. E os primeiros modelos tendiam a adivinhar nomes de intervenientes, porque muitas transcrições da Web os incluíam. A OpenAI ajustou o modelo para reduzir esse hábito, mas o exemplo mostra como reflete os textos de treino.
large-v3 foi treinado de outra forma, com cerca de 5 milhões de horas: 1 milhão com rótulos fracos da Web e 4 milhões rotuladas por large-v2, segundo a ficha do modelo no Hugging Face.
Comparação dos tamanhos dos modelos Whisper
O Whisper tem seis tamanhos. Modelos menores são mais rápidos em equipamento modesto; maiores cometem menos erros, mas precisam de mais memória de vídeo (VRAM). Os valores abaixo vêm do README da OpenAI.
| Tamanho | Parâmetros | Versão apenas em inglês | Versão multilingue | VRAM necessária | Velocidade face a large |
|---|---|---|---|---|---|
| tiny | 39 M | tiny.en | tiny | ~1 GB | ~10x |
| base | 74 M | base.en | base | ~1 GB | ~7x |
| small | 244 M | small.en | small | ~2 GB | ~4x |
| medium | 769 M | medium.en | medium | ~5 GB | ~2x |
| large | 1550 M | Nenhuma | large | ~10 GB | 1x |
| turbo | 809 M | Nenhuma | turbo | ~6 GB | ~8x |
A OpenAI mediu estas velocidades em fala inglesa com uma GPU A100 de centro de dados e indica que a velocidade real pode variar significativamente. Um portátil será mais lento.
Que modelo Whisper deve escolher?
Comece pela memória disponível e pela finalidade da transcrição:
- Testar num computador básico: tiny ou base, cerca de 1 GB de VRAM. Conte com mais erros.
- Apenas inglês: use um modelo
.en. A OpenAI indica que têm melhor desempenho, sobretudo nos tamanhos tiny e base. - Boa qualidade a velocidade razoável: turbo, cerca de 6 GB. É a opção predefinida da linha de comandos.
- Traduzir fala para inglês: medium ou large. Turbo não foi treinado para tradução e devolve o idioma original mesmo quando lhe pede tradução.
- Áudio mais difícil, melhor resultado possível: large, cerca de 10 GB de VRAM.
Versões do Whisper: breve cronologia
«Large» abrangeu três lançamentos e turbo é uma versão reduzida de large-v3. A versão importa porque os resultados variam com os pesos.
| Versão | Lançamento | O que mudou |
|---|---|---|
| Modelos originais (tiny a large) | Setembro de 2022 | Primeiro lançamento de código aberto com o artigo |
| large-v2 | Dezembro de 2022 | Mesmo tamanho, treinado 2,5 vezes mais tempo com regularização adicional |
| large-v3 | Novembro de 2023 | 128 canais Mel, novo token de cantonês, 10% a 20% menos erros do que v2 em muitos idiomas |
| turbo (large-v3-turbo) | Setembro de 2024 | Camadas do descodificador reduzidas de 32 para 4 para maior velocidade; sem tradução |
Fontes: ficha do modelo Whisper, nota de rodapé do artigo sobre large-v2 e fichas Hugging Face de large-v3 e large-v3-turbo.
Quantos idiomas suporta o Whisper?
O Whisper reconhece cerca de 99 idiomas. O detetor de idioma do artigo usava 99 tokens e o tokenizador atual lista 100 códigos após large-v3 acrescentar cantonês. Suporte não equivale a qualidade: a ficha do modelo indica bons resultados em cerca de 10 idiomas.
A qualidade acompanha os dados de treino. O artigo concluiu que o desempenho num idioma é fortemente previsto pelas horas desse idioma vistas pelo modelo e que a maioria tinha menos de 1.000 horas. Inglês, espanhol ou alemão costumam produzir resultados mais nítidos do que idiomas com poucos recursos. O README inclui uma ligação a um gráfico de erros por idioma.
Não confunda com os números dos produtos. whispertranscribe.ai suporta mais de 130 idiomas. Esse valor é o suporte do produto (a página de preços diz «mais de 130 idiomas e sotaques»), não uma característica do modelo Whisper de código aberto.
Qual é a precisão do Whisper?
Não há um valor único porque depende do tamanho do modelo, idioma e gravação. Em inglês lido e nítido, large-v2 obteve uma taxa de erro de palavras (WER) de 2,7%. Na média de 14 conjuntos de teste de inglês, na maioria mais difíceis, foi de 12,8%.
WER é a proporção de palavras erradas, contando substituições, omissões e inserções, face a uma transcrição de referência humana. Quanto menor, melhor. Os valores abaixo vêm da Tabela 2 do artigo, que compara Whisper large-v2 com um modelo wav2vec 2.0 treinado no conjunto de audiolivros LibriSpeech:
| Conjunto de teste | WER wav2vec 2.0 | WER Whisper large-v2 |
|---|---|---|
| LibriSpeech clean (audiolivros lidos) | 2,7% | 2,7% |
| Common Voice (fala gravada por voluntários) | 29,9% | 9,0% |
| CHiME-6 (gravações de jantares ruidosos) | 65,8% | 25,5% |
| Média dos 14 conjuntos da tabela | 29,3% | 12,8% |
O padrão é o mais relevante. Ambos empatam no teste de audiolivros, mas o Whisper tem resultados muito melhores nos restantes, com menos 55,2% de erros em média. O anúncio da OpenAI arredonda para «menos 50% de erros». Nos testes de ruído do artigo, modelos treinados em LibriSpeech superaram o Whisper em áudio quase limpo, mas ficaram atrás quando o ruído de fundo de bar aumentou, abaixo de uma relação sinal-ruído de 10 dB.
São testes de investigação, não uma promessa para os seus ficheiros, e as alegações de produtos são separadas. whispertranscribe.ai, por exemplo, chega a 99% de precisão com áudio nítido; ruído de fundo, falas sobrepostas e sotaques fortes reduzem-na.
Quais são as limitações do Whisper?
A principal fraqueza é poder escrever texto fluido que ninguém disse. A ficha do modelo chama-lhe alucinação e relaciona-o com treino por supervisão fraca. Também indica repetição, precisão desigual entre idiomas e sotaques e ausência de identificação integrada de intervenientes.
- Texto alucinado. Num estudo de 2024, Careless Whisper, os investigadores descobriram que cerca de 1% das transcrições verificadas incluíam frases ou enunciados inteiros ausentes do áudio. As alucinações eram mais frequentes em pausas longas.
- Ciclos de repetição. O modelo pode ficar preso a repetir uma frase. Pesquisa em feixe e recurso a temperatura reduzem parcialmente o problema, segundo a ficha, mas não o eliminam.
- Primeiras ou últimas palavras em falta. O artigo indica a omissão das primeiras ou últimas palavras de um segmento como falha conhecida.
- Gravações longas precisam de janelas. O Whisper só vê 30 segundos de cada vez. Para ficheiros mais longos, a ferramenta desloca a janela usando os tempos previstos, pelo que um erro numa janela pode afetar a seguinte.
- Sem rótulos de intervenientes. A diarização, ou identificação de quem falou e quando, não foi avaliada de forma robusta segundo a ficha. Precisa de uma ferramenta separada.
- Sem tempo real por predefinição. Foi criado para ficheiros gravados. Legendas em direto exigem engenharia adicional.
- Desigual por idioma e sotaque. A ficha indica taxas de erro mais elevadas para alguns sotaques, dialetos e grupos demográficos.
A OpenAI também alerta contra transcrever pessoas sem consentimento e usar o modelo em decisões de elevado risco.
Onde as fontes oficiais divergem
Alguns números diferem entre documentos da OpenAI, sobretudo por arredondamento ou mudanças de versão. Verifique antes de citar:
| Tema | Uma fonte oficial indica | Outra indica | O que usar |
|---|---|---|---|
| Redução de erros face a modelos LibriSpeech | Artigo: menos 55,2% de erros em média | Anúncio da OpenAI: menos 50% de erros | Cite o artigo e identifique a comparação |
| Idiomas de treino além do inglês | Artigo: outros 96 idiomas | Ficha do modelo: 98 idiomas | «Cerca de 99 idiomas» para reconhecimento |
| Horas de treino de tradução | Ficha: 126.000 | Artigo: 125.000 | Qualquer um, como valor aproximado |
| Parâmetros de turbo | README e Hugging Face: 809 M | Tabela da ficha do modelo: 798 M | 809 M, valor usado pela maioria das fontes |
| Tamanho dos dados de treino | Artigo original: 680.000 horas | Ficha large-v3: 5 milhões de horas | Indique a versão a que se refere |
| Licença | GitHub: MIT para código e pesos | Metadados large-v3 no Hugging Face: Apache-2.0 | Verifique a licença da cópia que descarrega |
Como usar o Whisper: execução própria, API ou aplicação
Há três vias práticas. Executar o Whisper é gratuito e mantém o áudio no computador. A API da OpenAI dispensa a configuração, mas limita o tamanho do ficheiro. Uma aplicação de transcrição alojada acrescenta edição, rótulos de intervenientes e exportação, mas é um serviço de terceiros com termos próprios.
| Executar Whisper de código aberto | API de transcrição OpenAI | Aplicação alojada de transcrição | |
|---|---|---|---|
| Configuração | Python, PyTorch e FFmpeg | Código e chave API | Navegador |
| Custo | Gratuito; equipamento próprio | Pagamento por utilização | Plano gratuito ou subscrição, varia por aplicação |
| Limites de ficheiro | O seu equipamento | 25 MB por ficheiro | Definidos por cada aplicação |
| Destino do áudio | Fica no computador | Enviado à OpenAI | Enviado aos servidores da aplicação |
| Rótulos de intervenientes | Não integrados | Não no whisper-1 | Depende da aplicação |
| Edição e exportação | TXT, SRT, VTT, TSV, JSON por linha de comandos | Devolvido ao código; tem de criar o resto | Normalmente editor mais exportações de documentos e legendas |
Executar o Whisper no seu computador
O README da OpenAI apresenta o comando de instalação e uma execução básica:
pip install -U openai-whisper
whisper interview.mp3 --model turbo
Também precisa de FFmpeg instalado e o README indica que o código deve funcionar em Python 3.8 a 3.11. Acrescente --language para indicar o idioma falado ou --task translate com um modelo multilingue para obter inglês. Os pesos do modelo são descarregados na primeira utilização.
Usar a API da OpenAI
O guia de fala para texto da OpenAI limita os carregamentos a 25 MB por ficheiro, pelo que deve comprimir ou dividir ficheiros maiores. Segundo a verificação de novembro de 2026, o guia marca whisper-1 como obsoleto e indica o encerramento em 26 de fevereiro de 2027, orientando os programadores para modelos de transcrição mais recentes. Esses novos modelos são modelos de fala da OpenAI, não novas versões da família Whisper de código aberto.
Usar uma aplicação de transcrição alojada
Se preferir não instalar nada, uma aplicação alojada processa ficheiros nos seus servidores. whispertranscribe.ai é uma opção e o seu conversor gratuito de áudio para texto permite experimentá-la rapidamente. A nossa página inicial descreve whispertranscribe.ai como baseado no Whisper e em IA de nova geração. Eis o que oferece, segundo as nossas páginas:
- Carregar ficheiros de áudio ou vídeo até 5 GB e 10 horas ou colar uma ligação YouTube, Vimeo, Google Drive ou Dropbox em transcrição por URL.
- Mais de 130 idiomas, com deteção de intervenientes que pode ativar.
- Transcrição em direto a partir do microfone, mais gravação e transcrição no navegador.
- Exportação em DOCX, PDF, SRT, VTT, TXT e CSV, incluindo legendas do gerador com IA.
- Tradução de áudio para inglês para gravações noutros idiomas.
As contrapartidas são reais. O ficheiro vai para um serviço na nuvem em vez de ficar no computador. Não oferecemos API, vocabulário personalizado nem bot de reuniões. Os planos pagos começam em 9,99 USD por mês, com faturação anual (preços), e pode começar gratuitamente sem conta. Consulte a ferramenta de transcrição Whisper AI ou todas as funcionalidades.
O Whisper é de código aberto e o que permite a licença?
Sim. O repositório da OpenAI indica que o código e os pesos do Whisper são disponibilizados sob licença MIT. MIT é uma licença permissiva. Em geral, permite usar, copiar, modificar e vender software baseado no código, desde que conserve o aviso de direitos de autor e licença.
Duas cautelas. Cópias noutros sites podem ter metadados de licença diferentes; a página large-v3 do Hugging Face indica Apache-2.0. Leia a licença da cópia que usa. E a licença cobre o software, não as gravações nele introduzidas. As regras de consentimento e privacidade continuam a aplicar-se ao áudio. Esta informação é geral e não constitui aconselhamento jurídico; o texto da licença MIT é a fonte oficial.
Para quem serve o Whisper?
O Whisper é adequado para programadores e pessoas à vontade com um terminal que queiram transcrição gratuita, privada e ilimitada. Se quiser uma transcrição pronta com editor e exportações, uma aplicação alojada costuma ser mais rápida.
| Perfil | Boa escolha | Porquê |
|---|---|---|
| Programador a criar um produto | Whisper de código aberto ou API | Controlo total do processo |
| Investigador com entrevistas sensíveis | Whisper de código aberto, executado localmente | O áudio não sai do computador |
| Criador que precisa de legendas esta semana | Aplicação alojada com exportação SRT ou VTT | Sem configuração; ficheiros sincronizados prontos a carregar |
| Pessoa num portátil sem GPU | Modelo pequeno local ou aplicação alojada | Modelos grandes precisam de cerca de 10 GB de VRAM |
Antes de confiar numa transcrição Whisper: lista de verificação
Criámos esta lista a partir das falhas descritas no artigo e ficha da OpenAI:
- Verifique pontualmente pausas e silêncios para detetar frases que ninguém disse.
- Procure a mesma frase repetida várias vezes seguidas.
- Confira as primeiras e últimas linhas do ficheiro com o áudio.
- Verifique nomes, números e termos técnicos.
- Confirme que o idioma foi detetado corretamente ou defina-o manualmente.
- Para tradução, certifique-se de que não usou turbo.
- Acrescente rótulos de intervenientes com uma ferramenta separada, se necessário.
- Obtenha consentimento antes de gravar ou transcrever outras pessoas.
Perguntas frequentes
O Whisper AI é gratuito?
Sim, o OpenAI Whisper é gratuito para descarregar e executar. A OpenAI licencia o código e os pesos sob MIT, pelo que pode usá-los sem lhe pagar. O computador é fornecido por si e o modelo large precisa de cerca de 10 GB de memória de GPU. As opções alojadas têm custos: a API da OpenAI cobra por utilização e as aplicações definem os seus planos. «Gratuito» também não significa fácil; precisa de Python, FFmpeg e alguma familiaridade com a linha de comandos.
O Whisper consegue identificar diferentes intervenientes?
Não por si só. O Whisper escreve o que foi dito, mas não identifica quem o disse. A ficha da OpenAI indica que capacidades como diarização não foram avaliadas de forma robusta. Para obter rótulos, costuma combinar-se o Whisper com uma ferramenta de diarização separada ou usar uma aplicação que acrescente deteção de intervenientes. whispertranscribe.ai, por exemplo, tem uma opção de deteção que pode ativar antes de transcrever. Verifique sempre os rótulos em gravações com vozes semelhantes.
O Whisper transcreve em tempo real?
Não de origem. O Whisper foi criado para áudio gravado e processa-o em janelas de 30 segundos; a ficha da OpenAI indica que não pode ser usado em tempo real sem trabalho adicional. Programadores criaram ferramentas quase em tempo real à sua volta, alimentando-o com pequenos trechos à medida que chegam. Se precisar de legendas em direto, procure uma ferramenta com modo dedicado e conte com mais correções do que numa transcrição feita a partir da gravação concluída.
Quantos idiomas suporta o Whisper?
O Whisper reconhece cerca de 99 idiomas e o tokenizador atual lista 100 códigos após a inclusão de cantonês em large-v3. A qualidade varia muito. A ficha da OpenAI indica bons resultados em cerca de 10 idiomas e o artigo concluiu que a maioria tinha menos de 1.000 horas de áudio de treino. Antes de confiar num idioma menos comum, teste um excerto curto. Números de produtos, como os mais de 130 idiomas de whispertranscribe.ai, descrevem o suporte de cada produto, não o modelo de código aberto.
whispertranscribe.ai é o mesmo que OpenAI Whisper?
Não. OpenAI Whisper é um modelo de código aberto que pode descarregar e executar. whispertranscribe.ai é um serviço de transcrição separado, usado no navegador; a página inicial descreve-o como baseado no Whisper e em IA de nova geração. Acrescenta funções que o modelo bruto não inclui, como carregamentos até 5 GB, importação de ligações YouTube ou Google Drive, deteção de intervenientes e exportação DOCX, PDF, SRT e VTT. Outras aplicações com «Whisper» no nome são produtos separados de empresas diferentes.
Porque escreve o Whisper palavras que ninguém disse?
Porque prevê texto como um modelo de linguagem. A ficha da OpenAI indica que o treino com grandes quantidades de dados ruidosos da Web leva o modelo a produzir por vezes palavras que não estão no áudio. A explicação é que mistura a previsão da próxima palavra provável com a transcrição do que ouve. Um estudo de 2024 encontrou frases inteiras inventadas em cerca de 1% das transcrições verificadas, mais frequentemente em pausas longas. Reveja pausas, trechos silenciosos e conteúdo importante com o áudio.
Quer uma transcrição Whisper sem configuração? Carregue um ficheiro ou cole uma ligação em whispertranscribe.ai e obtenha texto em mais de 130 idiomas, com exportação DOCX, PDF, SRT e VTT.
Referências
- OpenAI: Apresentação do Whisper (21 de setembro de 2022)
- Radford e outros: Reconhecimento de fala robusto através de supervisão fraca em grande escala (arXiv 2212.04356)
- OpenAI: Repositório GitHub e README do Whisper, ficha do modelo e licença MIT
- Hugging Face: ficha do modelo openai/whisper-large-v3
- Documentação da API OpenAI: Guia de fala para texto (verificado em novembro de 2026)
- Koenecke e outros: Careless Whisper: danos causados por alucinações de fala para texto (arXiv 2402.08021)
