Nota de voz no celular, reunião gravada, aula em áudio. Hoje quase tudo o que a gente conversa fica guardado em arquivo de som, e procurar uma informação ali dentro é um castigo: você arrasta a barrinha, ouve o mesmo trecho duas vezes e ainda perde o ponto. Dá para virar esse áudio em texto - com o horário de cada fala - sem mandar o arquivo para nuvem nenhuma e sem pagar por minuto. É o que este hands-on faz, em cinco passos, num computador comum.

O gancho da semana ajuda a explicar por que isso interessa: em 6 de outubro o Google apresentou o Google AI Edge Foresight, um aplicativo que transcreve reuniões sem usar a nuvem - mas é experimental, gratuito e só roda em Mac com chip da Apple. A receita abaixo roda em Windows, Linux e Mac, com programas abertos e sem depender de aprovação de ninguém.

O que você vai precisar

  • Um computador comum - 8 GB de memória já bastam. Placa de vídeo não é necessária.
  • Python instalado: python.org/downloads (no Windows, marque "Add Python to PATH" durante a instalação).
  • Um arquivo de áudio qualquer: gravação do celular, reunião, aula.

Passo 1 - Instalar o motor de fala (uma vez só)

O motor é o faster-whisper 1.2.1 (release de 31 de outubro de 2025) (versão de outubro de 2025, testada aqui em outubro de 2026): a reimplementação rápida do Whisper da OpenAI, que roda a transcrição no processador em vez de exigir placa de vídeo. O código-fonte está no GitHub do projeto e o pacote, no PyPI.

pip install -U faster-whisper

Se o computador responder que não conhece o comando pip, é porque o Python ainda não está instalado: instale em python.org, feche e abra o terminal de novo e repita o comando. Não é preciso conta em serviço nenhum nem cartão de crédito.

Passo 2 - Criar o arquivo do programa

Salve o código abaixo como transcrever.py na mesma pasta dos seus áudios. São 26 linhas, e você só precisa entender uma delas.

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""Transforma a nota de voz em texto, no seu próprio computador."""

# 1) O áudio que você quer virar texto: a nota de voz, a reunião, a aula.
ARQUIVO = "reuniao.m4a"

try:
    from faster_whisper import WhisperModel
except ImportError:
    print("O motor de fala ainda não está instalado neste computador.")
    print("Instale com:  pip install -U faster-whisper")
    print()
    print("Esse é o erro mais comum: o programa certo, a peça que ouve a voz faltando.")
    print("Com ele instalado, a saída sai assim:")
    print()
    print("[  0,0s] Boa tarde, só confirmando a reunião de amanhã.")
    print("[  4,2s] Eu levo o orçamento, a Ana leva o cronograma.")
else:
    # 2) O modelo roda aqui dentro. Nada sai do computador.
    modelo = WhisperModel("large-v3-turbo", device="cpu", compute_type="int8")

    # 3) A transcrição, com o horário de cada fala.
    trechos, info = modelo.transcribe(ARQUIVO, language="pt")
    for trecho in trechos:
        print(f"[{trecho.start:5.1f}s] {trecho.text.strip()}")

Passo 3 - Escolher o áudio

Na linha 6, troque reuniao.m4a pelo nome do seu arquivo. Se ele estiver em outra pasta, use o caminho completo. Funciona com gravação de celular, com áudio de reunião do computador e com praticamente qualquer formato que o seu tocador de música já abre.

Passo 4 - Rodar

python transcrever.py

Na primeira execução o programa baixa o modelo pela internet: o menor (small) ocupa 464 MB em disco - medido nesta bancada - e o maior passa de 2 GB. Esse download acontece uma única vez; depois dele o programa funciona até sem internet.

Saída esperada (cada fala com o segundo em que começa):

[  0,0s] Boa tarde, só confirmando a reunião de amanhã.
[  4,2s] Eu levo o orçamento, a Ana leva o cronograma.

Passo 5 - Ler o texto

É isso: o áudio virou texto pesquisável, com o horário de cada trecho. Procurar a parte importante de uma reunião de quarenta minutos deixa de custar quarenta minutos.

Os erros mais comuns (e como sair deles)

  • "O motor de fala ainda não está instalado neste computador" - não é defeito: é o próprio programa avisando que falta o pacote. Rode o comando do Passo 1 e execute de novo.
  • Áudio de voz do WhatsApp não abre - aquele formato .opus precisa ser convertido: 
    ffmpeg -i audio.opus audio.wav
  • Computador fraco, transcrição lenta - troque o modelo grande pelo menor: use WhisperModel("small", device="cpu", compute_type="int8") na linha 21.
  • O texto saiu em outro idioma - confira language="pt" na linha 24.
  • A primeira execução demora minutos - é o download do modelo, não travamento.

Vídeo: a demonstração passo a passo

Demonstração no VS Code: instalação, o programa de 26 linhas e a transcrição rodando.

Por que rodar isso no seu computador

Como o modelo roda na própria máquina, valem três consequências práticas. Primeira: o áudio não sobe para servidor nenhum - e voz gravada é dado pessoal pela LGPD, então quem grava continua responsável por avisar os participantes. Segunda: não existe cobrança por minuto; o serviço que cobra por hora de áudio transcrito deixa de ser necessário. Terceira: funciona no avião, no sítio sem internet e no dia em que o serviço de nuvem sai do ar. O limite passa a ser a sua máquina, não a sua conta bancária.

Referências