Pular para o conteúdo
Sonorarium
Voltar ao blog

Como usar o Whisper de graça no seu computador: instalação e comandos

Instale o Whisper da OpenAI com pip e ffmpeg, use os comandos básicos, escolha o modelo pela sua memória e veja quando um serviço na nuvem é mais prático.

Equipe Sonorarium 6 min de leitura

Resposta curta: se você tem um computador razoável e o terminal não te assusta, o Whisper resolve, é de graça (licença MIT) e o áudio não sai do seu computador. Instale o ffmpeg e depois o openai-whisper com pip; com uma Nvidia no Windows, antes o PyTorch com CUDA. Se prefere não instalar nada, o Sonorarium roda na nuvem (o áudio é enviado): 15 minutos grátis ao criar sua conta, sem cartão. Nem o Whisper nem nós separamos falantes.

Sim, o Sonorarium é a nossa ferramenta. Os comandos e os números deste guia saem do README oficial do Whisper e dos sites de cada programa, abertos em 4 de novembro de 2026. Projetos de código aberto mudam: na dúvida, vale o README deles.

O que você precisa

  • Python. O README diz que o código deve ser compatível com Python 3.8–3.11 e com versões recentes do PyTorch. A página do torch no PyPI (4 de novembro de 2026) pede hoje Python 3.11 ou posterior; então, se a instalação falhar, tente o Python 3.11 (é conselho nosso, não do README).
  • ffmpeg, para ler áudio e vídeo.
  • GPU ou CPU. O Whisper usa a GPU da Nvidia se o PyTorch a encontrar; senão, usa a CPU. Com CPU funciona, mas demora mais. No Windows, para o PyTorch encontrar a sua Nvidia é preciso o passo do PyTorch com CUDA da seção seguinte.

Instalação

Primeiro o ffmpeg. Estes são os comandos do README, por sistema:

# Ubuntu ou Debian
sudo apt update && sudo apt install ffmpeg

# Arch Linux
sudo pacman -S ffmpeg

# macOS com Homebrew
brew install ffmpeg

# Windows com Chocolatey
choco install ffmpeg

# Windows com Scoop
scoop install ffmpeg

No Windows, se você não usa Chocolatey nem Scoop, baixe o ffmpeg em ffmpeg.org.

Se você usa Windows e tem uma placa Nvidia, antes do Whisper há mais um passo: instalar o PyTorch com CUDA. Em pytorch.org, escolha seu sistema, Pip e a sua versão do CUDA no seletor e execute o comando que ele mostrar; não o copiamos aqui porque muda a cada versão. No Windows, o pip comum instala o PyTorch só para CPU. Para conferir, a própria página sugere rodar no Python import torch e torch.cuda.is_available(): deve retornar True.

Depois o Whisper:

pip install -U openai-whisper

Comandos básicos

O modelo padrão é o turbo. Estes são os comandos do README:

whisper audio.flac audio.mp3 audio.wav --model turbo
whisper japanese.wav --language Japanese

Com o seu arquivo e o seu idioma, fica assim:

whisper entrevista.mp3 --model turbo --language Portuguese
  • --language: sem ele, o Whisper detecta o idioma. Definir o idioma evita erros quando o começo do áudio é silêncio ou ruído.
  • --output_format: txt, vtt, srt, tsv, json, jsonl ou all (o padrão gera vários arquivos de uma vez). Não está no README, e sim na ajuda do próprio programa (whisper --help). Por exemplo, --output_format srt --output_dir legendas salva só o SRT nessa pasta.
  • --task translate: traduz para o inglês, e só. O README avisa que o turbo não foi treinado para tradução, e o exemplo dele usa o medium.

Pelo Python:

import whisper

model = whisper.load_model("turbo")
result = model.transcribe("audio.mp3")
print(result["text"])

Modelos, memória e velocidade

Esta tabela é a do README. A velocidade é relativa e foi medida transcrevendo inglês numa A100, então no seu computador será outra:

Tamanho Parâmetros Só inglês Multilíngue VRAM necessária Velocidade relativa
tiny 39 M tiny.en tiny ~1 GB ~10x
base 74 M base.en base ~1 GB ~7x
small 244 M small.en small ~2 GB ~4x
medium 769 M medium.en medium ~5 GB ~2x
large 1550 M não há large ~10 GB 1x
turbo 809 M não há turbo ~6 GB ~8x

O turbo é uma versão otimizada do large-v3 que, segundo o README, transcreve mais rápido com perda mínima de precisão. Os modelos .en são só para inglês. Se a sua GPU tem pouca memória, use um modelo menor e revise com mais cuidado (é conselho nosso, não do README). O desempenho varia bastante de um idioma para outro.

Programas com janela, se você não quer o terminal

Programa O que é Licença ou preço
noScribe Aplicativo de computador para Windows, macOS e Linux baseado no Whisper. Reconhece falantes e atende cerca de 60 idiomas. O site diz que tudo fica no seu computador Grátis, GPL-3.0
Buzz Transcreve offline com o Whisper, exporta para TXT, SRT e VTT e se instala por download ou com pip install buzz-captions (com pip, pede Python 3.12; no Mac, exige Apple silicon) Grátis, licença MIT
MacWhisper Só para Mac. Exporta para SRT, VTT, TXT e DOCX, entre outros Versão grátis e Pro, € 64 em pagamento único segundo o site

Dois avisos dos próprios sites. O instalador do noScribe tem cerca de 3 GB e, segundo eles, uma hora de entrevista leva de 1 a 3 horas para ser transcrita, mais em computadores antigos. E o Buzz avisa que o instalador para Windows não é assinado, então o Windows vai mostrar um alerta.

Erros típicos

  • Falha porque não encontra o ffmpeg. Instale com o comando acima e abra um terminal novo, para ele ser reconhecido.
  • "No module named 'setuptools_rust'". O README diz que, se o tiktoken não tem versão já compilada para a sua plataforma, pode ser preciso o Rust, e sugere pip install setuptools-rust.
  • "FP16 is not supported on CPU; using FP32 instead". É normal se você não tem uma GPU Nvidia: o Whisper troca a precisão sozinho. Se tem, significa que o PyTorch não a enxerga: revise o passo do PyTorch com CUDA.
  • Acaba a memória de vídeo. Use um modelo menor da tabela.
  • Escreve num idioma que não é o seu. Acrescente --language.

Quando não compensa

  • Você não tem GPU. Funciona, mas a tabela de velocidades não vale para a sua CPU e o tempo pode ser longo.
  • Seus arquivos são longos ou muitos. O computador fica ocupado enquanto trabalha. Para áudios de várias horas, veja como transcrever um áudio longo.
  • Você precisa de um editor com o áudio ao lado do texto. O Whisper entrega arquivos de texto; a correção é com você, ouvindo o áudio à parte.
  • Há várias pessoas falando. O Whisper não as separa. Há algumas ideias em como transcrever áudio com vários falantes.
  • Você não quer manter uma instalação.

A opção sem instalar nada

O Sonorarium usa o Whisper large-v3 turbo, o turbo da tabela, em GPU na nuvem. Você envia o arquivo (qualquer áudio ou vídeo, até 2 GB e 5 horas) e corrige num editor com o áudio sincronizado. Baixa em Word (DOCX), TXT, SRT ou VTT, em mais de 60 idiomas. Tem 15 minutos grátis ao criar sua conta, sem cartão; numa reunião de 60 minutos, os 45 que faltam ficam cobertos pelo pacote de 120 minutos por R$ 32,90. O Sonorarium não separa falantes. No Sonorarium o áudio é enviado e apagado após 7 dias. Os outros pacotes estão em preços.

Para ver o Whisper ao lado de outras ferramentas, há a comparação de programas e os limites grátis de cada uma. E se o seu caso é Word ou Google Docs, leia como transcrever um áudio no Word ou no Google Docs.

E se você passar o áudio para um assistente em vez de instalar algo? O que ChatGPT, Gemini e Copilot aceitam hoje está em O ChatGPT consegue transcrever um áudio?.

Fontes

Abertas em 4 de novembro de 2026: README do Whisper, o código da linha de comando, noScribe, Buzz, MacWhisper, a página de instalação do PyTorch, a página do torch no PyPI e o ffmpeg.