Glossário
O Whisper é o modelo de reconhecimento automático de fala (ASR) de código aberto lançado pela OpenAI em setembro de 2022. É o ponto de virada que tornou a transcrição por IA de nível consumidor — a precisão saltou de 70-85% (ASR pré-2020) para 95-97% em áudio limpo, ao mesmo tempo que suporta mais de 50 idiomas com um único modelo. A maioria das ferramentas de transcrição modernas — incluindo a nossa — executa o Whisper ou uma variante do Whisper internamente.
O que torna o Whisper diferente
Três coisas. (1) Escala dos dados de treinamento: 680.000 horas de áudio coletadas da web, deliberadamente ruidosas, multilíngues e incluindo inglês e mais de 50 outros idiomas em um único modelo. (2) Arquitetura: um codificador-decodificador de transformador padrão, mas com injeção deliberada de ruído durante o treinamento para que o modelo lide com gravações do mundo real em vez de áudios limpos de estúdio. (3) Pesos abertos: toda variante é baixável, executável em um GPU que você possui, sem necessidade de API. Essa é a grande mudança — ASR de código fechado (Google, Microsoft) era a norma até o Whisper.
Variantes do Whisper
whisper-1 é a versão servida por API da OpenAI (usamos essa) — rápida, suporta JSON detalhado com timestamps de segmentos, $0.006/minuto via API. Whisper Large v3 é o modelo de código aberto de ponta — precisa de ~10GB de RAM de GPU, executa localmente, sem custos de API. distil-whisper é uma versão destilada 6x menor que roda no CPU. WhisperX adiciona alinhamento forçado para temporização de palavras.
Limitações
O Whisper inventa texto em longos silêncios (ele vai inventar texto). Ele tem dificuldade com fala muito rápida e vozes sobrepostas. Ele não faz diarização nativamente — isso requer um modelo separado. E ele tem uma janela de contexto de 30 segundos, então áudios mais longos são divididos em partes (nós dividimos em limites de 10 minutos para garantir segurança).
Na prática
Quando você envia um MP3 para o Transcript.you, o áudio é convertido em um mel-espectrograma de 16kHz, enviado para o endpoint whisper-1 da OpenAI, e a resposta é analisada para obter o texto e os timestamps por segmento. Para um podcast de 60 minutos, o tempo total de processamento do Whisper é de ~90 segundos.
Termos relacionados
Leitura adicional
Transcrever com Whisper
Comece — grátisÚltima atualização: 9 de novembro de 2026
Perguntas Frequentes
O que Sussurro significa na transcrição?
Um modelo de ASR de código aberto lançado pela OpenAI em 2022. Treinado em 680.000 horas de áudio multilingue. Agora é a infraestrutura padrão para a maioria das ferramentas de transcrição por IA, incluindo o Transcript.you.
Por que Sussurro importa ao escolher um fluxo de trabalho de transcrição?
Sussurro 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 Sussurro 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.