Whisper

A OpenAI publicou o Whisper como modelo aberto de reconhecimento de fala: ele transcreve áudio em vários idiomas, traduz a fala para o inglês e identifica a língua da gravação. Este repositório é a implementação de referência, com o código em Python e os modelos do tiny ao large. Ele recebe poucas mudanças, e a transcrição roda na sua própria máquina.

Para que serve

• Transcrever reuniões, entrevistas e podcasts sem enviar o áudio a um serviço externo.
• Traduzir fala em outro idioma para texto em inglês.
• Descobrir em que língua está um arquivo de áudio.

Como começar

Instale antes o ffmpeg (no macOS, brew install ffmpeg; no Ubuntu, sudo apt install ffmpeg). Depois:

pip install -U openai-whisper
whisper audio.flac audio.mp3 audio.wav --model turbo

Para fixar o idioma, acrescente --language com o nome dele. O turbo, padrão da linha de comando, é uma versão otimizada do large-v3 que pede cerca de 6 GB de VRAM. Ele não foi treinado para tradução: com --task translate, devolve o texto na língua original, então use medium ou large para traduzir. Os modelos terminados em .en atendem só inglês, e o tiny roda com cerca de 1 GB. Em Python, model.transcribe() lê o arquivo inteiro em janelas de 30 segundos.

Licença e custo

Segundo o README, tanto o código quanto os pesos dos modelos saem sob a licença MIT. Quem empacota o Whisper num produto tem de incluir nas cópias o aviso de copyright e o texto de permissão da MIT. O uso local é gratuito; o custo fica no hardware, porque modelos maiores pedem GPU com mais memória.

Quando vale a pena

Se o áudio não pode sair da empresa e há uma máquina com GPU disponível, o Whisper faz a transcrição ali mesmo. O post sobre IA local discute quando rodar modelo próprio compensa. Gravar e transcrever outras pessoas envolve dado pessoal: avise os participantes e tenha base legal pela LGPD. A precisão varia por idioma, e o README traz a taxa de erro por língua do large-v3. Demos e integrações da comunidade ficam na categoria Show and tell das discussões do repositório.