Glossário
Chunking é a prática de dividir um longo registro de áudio em pedaços mais curtos antes de transcrever cada um separadamente. Modelos modernos de ASR incluindo Whisper têm uma janela de contexto fixa — o Whisper processa internamente o áudio em janelas de 30 segundos. Para transcrever um podcast de 2 horas, o áudio deve ser dividido em chunks, processado em paralelo e os resultados costurados de volta juntos.
Por que o chunking existe
Os modelos de transformador escalam quadraticamente com o comprimento da entrada — dobrar o comprimento do áudio quadruplica o cálculo e a memória. O ASR neural prático é executado em janelas de tamanho fixo (Whisper: 30 segundos; alguns modelos: 60-90 segundos). Para áudio mais longo, você tem duas opções: um modelo de streaming que processa uma janela deslizante ou chunkar a entrada em pedaços, transcrever cada um e concatenar. Usamos a segunda abordagem com chunks de 10 minutos por trabalhador paralelo.
Por que as fronteiras de chunking importam
A divisão ingênua em intervalos fixos de segundos pode dividir uma palavra ou frase ao meio — "transcrip-" + "-ção" em vez de "transcrição". Para evitar isso, os divisores usam VAD (detecção de atividade vocal) para encontrar limites de silêncio (>200 ms de silêncio) e dividir apenas nesses. Resultado: cada divisão começa e termina em silêncio, nenhuma palavra dividida, nenhum artefato de limite no transcript final.
Como fazemos chunking em produção
Quando você envia um arquivo com mais de 10 minutos, nosso pipeline executa o Silero VAD para encontrar pontos de divisão candidatos, seleciona pontos de divisão próximos a cada marca de 10 minutos que caem dentro de regiões de silêncio e envia cada divisão para o Whisper em paralelo. Horários são normalizados — o horário interno 0:00 do bloco 2 se torna 10:00 no transcript mesclado. O usuário vê um único transcript sem costuras, não cinco blocos colados.
Na prática
Uma entrevista de 2 horas se torna 12 chunks de ~10 minutos cada. Cada chunk leva ~12 segundos para processar no Whisper. Execute todos os 12 em paralelo: o tempo total no relógio é o chunk mais lento, em torno de 15 segundos — em vez de 144 segundos em série. O usuário obtém o transcript completo quase tão rápido quanto um arquivo de 10 minutos.
Termos relacionados
Transcrever áudio longo
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que Divisão em pedaços significa na transcrição?
Dividir um arquivo de áudio longo em segmentos mais curtos antes de enviar para o motor de ASR. O Whisper tem uma janela de contexto de 30 segundos internamente; as ferramentas chunkam em limites de 10 minutos para permanecer dentro dos limites do modelo.
Por que Divisão em pedaços importa ao escolher um fluxo de trabalho de transcrição?
Divisão em pedaços afeta como você entende a qualidade da transcrição, o tempo, a compatibilidade ou a tecnologia por trás dos resultados de conversão de fala em texto.
Onde posso aplicar Divisão em pedaços no Transcript.you?
Use o fluxo de trabalho relacionado em /transcribe-audio-to-text quando você quer ver como esse conceito de glossário se conecta a uma tarefa real de transcrição.
Navegue pelo glossário de transcrição ou leia o guia completo sobre transcrição por IA.