Glossário
O Fator de Tempo Real (RTF) mede o quão rápido um sistema de ASR processa áudio em relação à duração do áudio. RTF = 1,0 significa que o sistema processa 1 hora de áudio em 1 hora ("tempo real"). RTF = 0,1 significa 1 hora de áudio em 6 minutos (10× mais rápido que o tempo real). Quanto menor, melhor para processamento em lote; para streaming, o RTF deve ficar abaixo de 1,0 ou seu sistema fica para trás.
Como o RTF é calculado
RTF = processing_wall_time / audio_duration. Se você transcrever um arquivo de 30 minutos em 3 minutos, RTF = 3/30 = 0,1. O RTF pode ser medido por sistema (GPU única, thread única) ou ponta a ponta (seu pipeline completo, incluindo upload, fila e pós-processamento). Este último é o que os usuários experimentam.
Números típicos de RTF
Whisper-1 na API da OpenAI: ~0,05-0,15 RTF (GPUs rápidos, inferência otimizada). Whisper Large v3 em uma RTX 4090 de consumo: ~0,1-0,2 RTF. distil-whisper em CPU: ~0,5-2,0 RTF (inferência apenas em CPU é lenta). Sistemas de ASR em streaming: devem ficar abaixo de 1,0 — tipicamente 0,3-0,7 com pontuação final. Antigos sistemas HMM híbridos em um CPU rápido: ~0,5-1,5.
Por que o RTF é menos importante do que você imagina
Para transcrição em lote, o RTF é dominado pelo tempo de ida e volta na rede (upload do arquivo) para áudios curtos e pelo próprio ASR para áudios longos. Nosso pipeline para um arquivo de 5 minutos tem RTF ~0,4 porque upload + fila + pós-processamento domina os ~10 segundos que o Whisper realmente gasta. Para um arquivo de 60 minutos, o RTF cai para ~0,05 porque o processamento do Whisper escala linearmente com o comprimento do áudio, enquanto a sobrecarga é constante. Números de RTF de marketing devem ser vistos com ressalvas.
Na prática
Envie um podcast de 60 minutos. Upload de rede em internet doméstica típica: 30 segundos. Fila (servidor ocupado, aguardando um trabalhador): 5 segundos. Processamento Whisper: 90 segundos. Pós-processamento (formatação, análise JSON, DOCX exportação): 10 segundos. Total: 135 segundos = 2,25 minutos. RTF de ponta a ponta = 2,25 / 60 = 0,0375 — cerca de 27× tempo real.
Termos relacionados
Experimente a transcrição rápida
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que RTF (Fator de Tempo Real) significa na transcrição?
Quão rápido um sistema de ASR processa o áudio em relação à sua duração. RTF = 0,5 significa que processar 1 hora de áudio leva 30 minutos. O Whisper-1 em uma GPU rápida roda com RTF ~0,1-0,3.
Por que RTF (Fator de Tempo Real) importa ao escolher um fluxo de trabalho de transcrição?
RTF (Fator de Tempo Real) 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 RTF (Fator de Tempo Real) no Transcript.you?
Use o fluxo de trabalho relacionado em /ai-transcription 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.