Whisper

Whisper é o modelo de reconhecimento automático de fala (ASR) open-source da OpenAI, lançado em 2022 e amplamente considerado o sistema de transcrição publicamente disponível mais preciso. Treinado com 680.000 horas de dados de áudio multilíngue, suporta 100 idiomas com alta precisão — incluindo muitas línguas com poucos recursos com as quais serviços comerciais de transcrição têm dificuldade — e lida com sotaques, jargões técnicos e ruído de fundo melhor do que a maioria das alternativas.

O modelo é lançado sob a licença MIT, o que significa que pode ser usado gratuitamente para qualquer finalidade, incluindo aplicações comerciais. Executar o Whisper localmente não requer taxas de API — os custos de processamento se limitam ao seu próprio hardware ou a uma instância na nuvem. O modelo está disponível em cinco tamanhos (tiny, base, small, medium, large) com diferentes combinações de velocidade e precisão; o modelo large-v3 oferece a melhor precisão e funciona na maioria das GPUs modernas com 10 GB+ de VRAM. A OpenAI também disponibiliza uma API hospedada a $0,006/minuto, competitiva com serviços comerciais de transcrição.

A principal limitação é que o Whisper processa arquivos de áudio gravados, não transmissões em tempo real — não há capacidade de transcrição ao vivo integrada. Projetos da comunidade como Whisper Live e WhisperStream adicionam funcionalidade em tempo real, mas exigem infraestrutura adicional. Para aplicações que requerem legendas ao vivo (videochamadas, eventos ao vivo), serviços baseados na nuvem como AssemblyAI ou Deepgram são escolhas melhores. Para transcrição em lote de gravações, podcasts, reuniões e entrevistas, o Whisper oferece a melhor relação entre precisão e custo disponível.