Whisper

Whisper é uma família de modelos de reconhecimento de fala de código aberto lançados pela OpenAI. Ele transcreve áudio falado em texto, e os modelos multilíngues large-v3 conseguem traduzir fala de vários idiomas diretamente para o inglês. Os pesos são publicados sob a licença permissiva MIT, então você pode baixá-los e executá-los em seu próprio hardware.

O lançamento aberto atual é o large-v3-turbo, uma versão otimizada do large-v3 lançada em setembro de 2024. Ele mantém quase toda a precisão do modelo large-v3 completo enquanto roda cerca de 8x mais rápido, o que o torna muito mais prático para processamento em lote e uso quase em tempo real. O checkpoint completo large-v3 ainda está disponível para quando você quiser a maior qualidade possível. O Turbo em si não é treinado para tarefas de tradução; use os outros checkpoints multilíngues large-v3 para tradução de fala para inglês.

Além dos modelos abertos, a OpenAI oferece transcrição hospedada através de sua API. O endpoint original, whisper-1, junto com gpt-4o-transcribe, gpt-4o-mini-transcribe e gpt-4o-transcribe-diarize, foram descontinuados em agosto de 2026 e estão programados para remoção da API em 26 de fevereiro de 2027. A OpenAI agora recomenda o gpt-transcribe para transcrição baseada em arquivos e o gpt-live-transcribe para transmissão de áudio ao vivo. gpt-realtime-whisper e gpt-realtime-translate também estão listados na página de preços da OpenAI.

Os preços se dividem em duas linhas. Os modelos de código aberto são gratuitos para uso — você só paga pelo seu próprio processamento computacional. A API hospedada é cobrada por minuto de áudio: gpt-transcribe custa US$ 0,0045/min, gpt-live-transcribe e gpt-realtime-whisper custam US$ 0,017/min, e gpt-realtime-translate custa US$ 0,034/min. Os modelos descontinuados whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe e gpt-4o-transcribe-diarize permanecem cobráveis em suas taxas por minuto atuais até serem removidos em 26 de fevereiro de 2027.

A precisão varia bastante por idioma. O Whisper foi treinado em cerca de 99 idiomas, mas a qualidade é mais forte para idiomas com muitos recursos disponíveis, como o inglês, e cai consideravelmente para idiomas menos comuns. Executar os modelos maiores localmente também exige uma GPU potente, e o modelo pode ocasionalmente alucinar texto durante longos silêncios.

Whisper é uma boa opção se você quer um mecanismo de transcrição gratuito e autogerenciável, precisa de ampla cobertura multilíngue, ou quer uma API gerenciada sem precisar construir seu próprio pipeline. Escolha os modelos hospedados gpt-transcribe ou gpt-live-transcribe se precisar de transcrição baseada em arquivos ou ao vivo através da API da OpenAI, e planeje migrar de qualquer integração que ainda use os endpoints descontinuados.