A fundadora do sipsip começou a criar ferramentas open source de transcrição antes de fundar o sipsip.ai. O projeto que ela publicou no GitHub, o AI-Video-Transcriber, já passa de 3.300 estrelas e é usado por desenvolvedores e pesquisadores do mundo todo. Manter a ferramenta open source e o produto hospedado, o transcritor de vídeo do sipsip, dá uma visão privilegiada: sabemos onde o open source brilha e em que ponto a configuração começa a custar tempo.
O Whisper AI é o modelo de reconhecimento de voz da OpenAI que virou a base de quase toda transcrição open source. A seguir está o que ele é, como usar e um ranking honesto das sete melhores ferramentas de transcrição open source em 2026, quase todas construídas sobre o Whisper.
O que é o Whisper AI
O Whisper foi lançado pela OpenAI em 2022 sob a licença MIT, ou seja, qualquer pessoa pode baixar, usar e modificar. Ele processa o áudio com uma arquitetura transformer de codificador e decodificador e foi treinado em 680 mil horas de áudio em vários idiomas, bem mais do que os modelos anteriores. É por isso que ele lida bem com sotaques, ruído moderado e idiomas como o português.
Na prática, a transcrição com Whisper funciona com o áudio de qualquer formato que o FFmpeg lê, o que inclui praticamente todo arquivo de vídeo e áudio. Um único comando gera o texto, um arquivo de legenda SRT e um arquivo VTT.
Como usar o Whisper AI: três caminhos
1. Pela linha de comando. Com Python e FFmpeg instalados, rode pip install openai-whisper e depois whisper video.mp4 --model large-v3 --language pt. O Whisper grava o texto, o SRT e o VTT na mesma pasta.
2. Por uma interface web. O AI-Video-Transcriber (abaixo) instala o pipeline completo e abre uma página no navegador para arrastar arquivos ou colar links do YouTube.
3. Sem instalar nada. Se a ideia é só transcrever, um serviço hospedado resolve sem GPU e sem manutenção. O transcritor do sipsip.ai nasceu do projeto open source e roda como serviço: usa as legendas existentes quando há, e transcreve com Deepgram nova-3 quando o vídeo está sem legenda.
1. AI-Video-Transcriber: a ferramenta completa
Mais de 3.300 estrelas no GitHub · Python · Interface web · Apache-2.0 · Mantido ativamente
A fundadora do sipsip criou esta ferramenta depois de esbarrar sempre no mesmo atrito: o Whisper é poderoso, mas fazer ele funcionar com links do YouTube, podcasts e arquivos locais numa interface limpa exigia juntar cinco bibliotecas diferentes toda vez. O AI-Video-Transcriber faz essa junção uma vez só.
O que ele aceita:
- Mais de 30 plataformas: YouTube, TikTok, Bilibili, Apple Podcasts, SoundCloud e outras. Ele prioriza as legendas: quando o vídeo já tem legenda, usa na hora, via yt-dlp.
- Faster-Whisper como reserva: sem legenda, transcreve o áudio com Faster-Whisper (modelo configurável de tiny a large; o padrão é base).
- Arquivos locais (MP4, MKV, WebM, MP3, WAV, M4A, OGG, FLAC), arrastados para o mesmo fluxo.
- Texto puro (.txt), que vai direto para as etapas de limpeza, tradução e resumo.
A diferença em relação ao Whisper puro: é uma ferramenta completa, pronta para usar, e não só uma biblioteca. Clone o repositório, rode ./install.sh e python3 start.py, e você tem uma interface web no localhost. As abas de transcrição, resumo e tradução têm download em Markdown com um clique. Há também imagem Docker, CLI e um servidor MCP para Claude Code e Codex.
A camada de resumo é o que mais surpreende: depois de transcrever, a ferramenta envia o texto para qualquer endpoint de LLM compatível com a OpenAI para limpeza, tradução e um resumo estruturado em 11 idiomas.
Instalação: git clone → ./install.sh → python3 start.py → abra http://localhost:8000 no navegador (ou docker-compose up -d).
Pontos de atenção: exige Python 3.8+, FFmpeg e uma chave de API de um provedor de LLM compatível com a OpenAI para os resumos. Os modelos maiores do Whisper rodam bem mais rápido com GPU; o modelo base padrão roda bem na CPU.
Ideal para: desenvolvedores, pesquisadores e usuários avançados que querem transcrição e resumo numa ferramenta só.
2. OpenAI Whisper: o modelo de base
Mais de 72.000 estrelas no GitHub · Python · CLI · Licença MIT
O Whisper é a fundação de todas as outras ferramentas da lista. O modelo large-v3 (1,5 GB) chega a taxas de erro de palavras abaixo de 3% em áudio limpo em inglês, segundo os benchmarks publicados pela OpenAI. Em conteúdo multilíngue, é o modelo gratuito mais preciso para dezenas de idiomas.
Pontos de atenção: o Whisper original prioriza precisão em vez de velocidade. O large-v3 na CPU transcreve a cerca de 0,1x o tempo real (10 horas para processar 1 hora de áudio). Para produção, a maioria dos desenvolvedores passa para o Faster-Whisper. A interface é só linha de comando.
Ideal para: quem quer o modelo de base para montar processos próprios ou precisa da transcrição multilíngue mais precisa.
3. Faster-Whisper: velocidade e eficiência
Mais de 14.000 estrelas no GitHub · Python · Biblioteca · Licença MIT
O Faster-Whisper reimplementa o Whisper com o CTranslate2, um motor de inferência em C++. Ele roda o large-v3 de 2 a 4 vezes mais rápido que o original, com 50% menos memória.
Num teste com uma gravação MP4 de 60 minutos numa RTX 3080, o Faster-Whisper large-v3 processou o áudio em cerca de 8 minutos, contra 25 a 30 minutos do Whisper original no mesmo hardware.
O que ele acrescenta: marcação de tempo por palavra (o Whisper original marca por trecho) e detecção de voz (VAD) para pular silêncios, o que melhora velocidade e precisão.
Pontos de atenção: é só uma biblioteca Python; você escreve código ou usa uma interface de terceiros. Trabalha só com arquivos de áudio, sem links do YouTube.
Ideal para: desenvolvedores que montam processos de transcrição e querem o melhor equilíbrio entre velocidade e precisão.
4. whisper.cpp: CPU e Apple Silicon
Mais de 38.000 estrelas no GitHub · C++ · CLI · Licença MIT
O whisper.cpp é uma versão do Whisper em C++ que roda na CPU e no Apple Silicon, sem Python. Num MacBook Pro M2 com 16 GB, ele transcreve um áudio de 30 minutos com o modelo large-v2 em cerca de 4 minutos, sem GPU.
No Apple Silicon, o whisper.cpp com Core ML costuma ser a opção local mais rápida. O projeto também tem bindings WASM para rodar no navegador.
Pontos de atenção: precisa de um compilador C++ e tem menos recursos prontos (separação de falantes, resumo) do que o ecossistema Python.
Ideal para: quem usa Mac e quer transcrição local rápida sem Python.
5. WhisperX: separação de falantes
Mais de 13.000 estrelas no GitHub · Python · Biblioteca · Licença BSD
O WhisperX estende o Faster-Whisper com três recursos: alinhamento de tempo por palavra com o modelo wav2vec2, separação de falantes (identifica quem disse o quê) e processamento em lote para aproveitar melhor a GPU.
Para entrevistas e reuniões em que importa saber quem falou, o WhisperX resolve transcrição, alinhamento e separação de falantes num único processo open source.
Pontos de atenção: exige conta no HuggingFace para o modelo de separação (pyannote.audio) e uma configuração mais trabalhosa. A separação perde precisão quando as falas se sobrepõem.
Ideal para: pesquisadores com entrevistas de várias pessoas e jornalistas que trabalham com conversas gravadas.
6. Insanely-Fast-Whisper: máximo desempenho em GPU
Mais de 7.000 estrelas no GitHub · Python · Pipeline · Apache 2.0
Usa Flash Attention 2 e inferência em lote para levar a GPU além do Faster-Whisper em hardware de ponta. Numa A100, transcreve a mais de 150x o tempo real: um áudio de 1 hora em menos de 25 segundos.
Pontos de atenção: exige GPU CUDA e foi feito para servidores. É mais uma biblioteca do que uma ferramenta para o usuário final.
Ideal para: equipes que processam grandes acervos de vídeo e têm acesso a servidores com GPU.
7. auto_subtitle: legenda automática
Mais de 5.000 estrelas no GitHub · Python · CLI · Licença MIT
O auto_subtitle transforma o Whisper num único comando que gera um arquivo SRT e grava a legenda no vídeo com o FFmpeg. auto_subtitle video.mp4 -o output/ entrega o vídeo legendado num passo só.
Pontos de atenção: faz só vídeo → vídeo legendado, sem resumo, sem separação de falantes e sem links do YouTube. Precisa do FFmpeg instalado.
Ideal para: criadores e editores que querem legenda gravada no vídeo com um comando. Para outros jeitos de legendar, veja como colocar legenda em vídeo.
Comparação das ferramentas baseadas no Whisper
| Ferramenta | Interface | YouTube | Podcast | Separação de falantes | Estrelas |
|---|---|---|---|---|---|
| AI-Video-Transcriber | ✅ Web | ✅ | ✅ | — | 3,3 mil |
| OpenAI Whisper | CLI | — | ✅ | — | 72 mil |
| Faster-Whisper | Biblioteca | — | ✅ | — | 14 mil |
| whisper.cpp | CLI | — | ✅ | — | 38 mil |
| WhisperX | Biblioteca | — | ✅ | ✅ | 13 mil |
| Insanely-Fast-Whisper | Pipeline | — | ✅ | — | 7 mil |
| auto_subtitle | CLI | — | ✅ | — | 5 mil |
Como escolher
Se você quer que funcione sem programar: o AI-Video-Transcriber dá uma interface web para arquivos de vídeo, links do YouTube e podcasts. A instalação é um script único, ou Docker.
Se você está montando um processo: o Faster-Whisper é a escolha de produção, com o melhor equilíbrio entre velocidade e precisão, tempo por palavra e VAD.
Se você usa Apple Silicon sem GPU: o whisper.cpp roda nativo com Core ML, sem Python.
Se você precisa identificar quem fala em entrevistas: o WhisperX resolve a separação de falantes num único processo open source.
Se você precisa de volume máximo para um grande acervo: Insanely-Fast-Whisper num servidor com GPU.
Para pular a instalação, o transcritor do sipsip.ai roda como serviço hospedado, sem GPU e sem manutenção: envie um arquivo ao transcritor de áudio ou ao transcritor de vídeo, ou cole um link na Transcrição do YouTube. As ferramentas open source da lista são a escolha certa quando o processamento precisa ficar na sua máquina, quando há integração sob medida ou quando o volume é grande e o custo precisa ser zero. Quando a configuração custa mais caro do que um plano, o serviço hospedado é a decisão sensata. Para entender o que define a precisão de cada modelo, veja o guia de reconhecimento de voz.
Wendy Zhang é a fundadora do sipsip.ai e criadora do projeto open source AI-Video-Transcriber (github.com/wendy7756/AI-Video-Transcriber). Ela desenvolve ferramentas de processamento de voz e vídeo desde 2022.
