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
torchno 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,jsonlouall(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 legendassalva só o SRT nessa pasta.--task translate: traduz para o inglês, e só. O README avisa que oturbonão foi treinado para tradução, e o exemplo dele usa omedium.
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
tiktokennão tem versão já compilada para a sua plataforma, pode ser preciso o Rust, e sugerepip 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.