Whisper real time speech to text no Windows transforma o modelo de uma ferramenta batch offline em um motor de transcrição ao vivo — local, privado e preciso o suficiente para legendar uma live, transcrever uma reunião ou alimentar um fluxo de comandos de voz sem enviar nenhum byte para a nuvem.
Este guia cobre tudo: como a inferência Whisper em tempo real funciona por baixo dos panos, os requisitos de hardware para cada tamanho de modelo, três caminhos práticos de deployment, o roteamento de áudio WASAPI específico do Windows, e como o VoxBooster integra o Whisper diretamente no seu pipeline de áudio.
Por Que Whisper Real Time É Diferente do Whisper Offline
O paper original do Whisper descreve um modelo sequence-to-sequence treinado em 680.000 horas de áudio. Você passa um arquivo; ele devolve uma transcrição. Isso é excelente para pós-processamento, mas inútil se você precisa de legendas aparecendo dentro de um segundo da fala.
Whisper real time funciona tratando o microfone como um stream contínuo e dividindo-o em janelas sobrepostas, geralmente de 1-3 segundos. Cada janela passa pelo modelo de forma independente, e os resultados são costurados e desduplicados antes da exibição. O trade-off é que o modelo nunca vê o contexto completo de uma frase antes de produzir a saída, o que introduz ocasionais “alucinações” nas bordas das janelas que um processamento offline completo resolveria corretamente. O Whisper-large-v3 reduz significativamente esse problema comparado às versões anteriores porque lida com segmentos de áudio curtos de forma mais robusta.
O outro fator crítico é o detector de atividade de voz (VAD). Sem VAD, o Whisper roda inferência sobre silêncio e produz texto fantasma. Um VAD bem configurado — Silero VAD é o padrão atual — garante que a inferência só dispare quando há fala real, cortando tanto a latência quanto a carga de CPU/GPU em 40-70% no uso típico.
Requisitos de Hardware
Caminho GPU (Recomendado)
| Modelo | VRAM Necessária | Latência Típica RTX 3060 |
|---|---|---|
| tiny | 1 GB | ~50ms |
| small | 2 GB | ~80ms |
| medium | 4 GB | ~150-250ms |
| large-v3 | 6 GB | ~200-350ms |
Para a maioria dos casos de uso de transcrição — legendas de acessibilidade, notas de reuniões, legendas para streamers — Whisper-medium numa placa de 4 GB atinge o ponto ideal entre precisão e latência.
Caminho CPU
Inferência só na CPU é viável apenas para os modelos small e tiny. Espere 500ms-2 segundos de latência, perceptível mas tolerável para uso não interativo como transcrição de reuniões ouvida depois. Para legendas ao vivo durante uma conversa, só CPU vai produzir um efeito de atraso que parece quebrado.
Hardware de Áudio
Qualquer microfone funciona, mas a qualidade do sinal afeta diretamente a precisão da transcrição. O Whisper foi treinado em condições de áudio diversas, então lida razoavelmente bem com ruído, mas um headset com microfone close-talk sempre vai superar um microfone de mesa de campo distante para uso em tempo real.
Roteamento de Áudio WASAPI no Windows
O Windows roteia o áudio pela Windows Audio Session API (WASAPI). Entender o WASAPI é necessário para configurar o Whisper corretamente, especialmente se você quer transcrever a saída do sistema (o que você ouve) em vez da entrada do microfone.
Modo Exclusivo vs. Modo Compartilhado
WASAPI opera em dois modos:
Modo exclusivo dá a um único app acesso direto ao hardware com latência mínima — útil para processamento de áudio de baixa latência, mas bloqueia outros apps do dispositivo.
Modo compartilhado permite que múltiplos apps compartilhem o mesmo endpoint de áudio, com o Windows gerenciando a mistura. Para captura de entrada do Whisper, o modo compartilhado é quase sempre o correto — você quer que o Whisper leia do mesmo stream de microfone que outros apps usam, sem bloquear nada.
Capturando Entrada do Microfone
Bibliotecas Python como sounddevice e pyaudio acessam endpoints WASAPI por índice de dispositivo. Execute o seguinte para listar todos os dispositivos de áudio disponíveis:
import sounddevice as sd
print(sd.query_devices())Captura Loopback (Áudio do Sistema)
Para transcrever o que toca pelos alto-falantes — áudio do sistema, uma videochamada, um jogo — você precisa de captura loopback WASAPI. No sounddevice, use wasapi_exclusive=False apontando para o dispositivo de saída; a biblioteca lida com o loopback internamente no Windows.
A captura loopback é útil para legendar videoconferências onde você quer transcrever a outra parte, ou para fluxos de acessibilidade onde você precisa de legendas para qualquer áudio reproduzido no PC.
Três Caminhos de Deployment
Caminho 1: faster-whisper + Script Python Personalizado
faster-whisper é uma reimplementação baseada em CTranslate2 do Whisper que roda 4x mais rápido que o original com menor uso de memória. Suporta todos os tamanhos de modelo e se integra limpo com um loop de áudio em tempo real.
Setup:
pip install faster-whisper sounddevice numpy silero-vadO loop básico é:
- Abrir um stream de áudio com
sounddeviceem 16 kHz mono (a taxa de amostragem nativa do Whisper) - Bufferizar o áudio entrante em uma janela deslizante
- Rodar Silero VAD; pular inferência se não houver fala detectada
- Passar segmentos de fala para o método
transcribe()dofaster-whispercombeam_size=1(mais rápido) oubeam_size=5(mais preciso) - Imprimir ou rotear o resultado
Esse caminho dá controle máximo, mas requer familiaridade com Python. Espere entre 30-60 minutos ajustando tamanhos de buffer e limiares de VAD para seu microfone.
Caminho 2: whisper.cpp
whisper.cpp é um port em C++ do Whisper que compila para um binário nativo do Windows com suporte a CUDA. Inclui uma demo em tempo real (stream.exe) que abre o microfone, roda inferência com tamanhos de janela configuráveis e imprime a saída para stdout.
Por que usar isso em vez de Python? O tempo de inicialização é quase instantâneo, o uso de memória é menor, e se integra facilmente em toolchains fora do Python. A saída em streaming pode ser redirecionada para um arquivo que o OBS lê como fonte de legendas ao vivo.
Passos de build (PowerShell):
git clone https://github.com/ggerganov/whisper.cpp
cd whisper.cpp
cmake -B build -DGGML_CUDA=1
cmake --build build --config Release
.\build\bin\Release\stream.exe -m models\ggml-large-v3.bin -t 8Caminho 3: VoxBooster com Whisper Integrado
O VoxBooster inclui inferência Whisper diretamente no app — sem ambiente Python separado, sem configuração manual de CUDA. O modelo roda localmente na sua GPU via um backend otimizado, a captura de áudio WASAPI é tratada internamente, e a saída está disponível como overlay, arquivo de legendas ao vivo para OBS, ou entrada de baixa latência para processamento de comandos de voz.
A diferença-chave em relação às configurações Python manuais é o estágio integrado de supressão de ruído. O áudio passa pela camada de supressão do VoxBooster antes de chegar ao buffer do Whisper, o que melhora notavelmente a precisão em ambientes ruidosos — ruído do cooler do headset, ar-condicionado, sons do teclado — sem adicionar latência visível ao usuário. A latência end-to-end da fala até a legenda exibida é menor que 300ms em hardware dos últimos três anos.
Nenhum driver de kernel é instalado, o que significa sem elevação de UAC, sem conflitos com software anti-cheat, e sem dispositivos aparecendo no Gerenciador de Dispositivos.
Legendas ao Vivo para Streaming e Acessibilidade
Integração com OBS
Seja usando faster-whisper, whisper.cpp ou VoxBooster, o ponto de integração com OBS é um arquivo de texto que atualiza em tempo real.
- Configure sua ferramenta Whisper para escrever a saída de transcrição em um arquivo (ex.:
C:\legendas\live.txt) - No OBS, adicione uma fonte Texto (GDI+)
- Marque Ler do arquivo e aponte para o mesmo caminho
- OBS consulta o arquivo e atualiza a fonte a cada frame
Estilize a fonte de texto com fundo semitransparente para manter legibilidade sobre gameplay ou webcam.
Casos de Uso de Acessibilidade
Para usuários com deficiência auditiva, as legendas Whisper em tempo real no Windows oferecem várias vantagens sobre as Legendas ao Vivo nativas do Windows 11:
- Maior precisão para vocabulário técnico, sotaques carregados e idiomas além do inglês
- Display personalizável: tamanho de fonte, posição, cor e persistência ajustáveis às necessidades individuais
- Múltiplas entradas: você pode alimentar tanto microfone quanto loopback no mesmo Whisper
- Operação offline: sem dependência de servidores de reconhecimento de voz nem conexão à internet
Para usuários de Windows 10 sem acesso às Legendas ao Vivo, o Whisper local é a principal opção de acessibilidade em tempo real disponível sem serviço de assinatura.
Fluxos de Trabalho de Comandos de Voz
Whisper speech to text é preciso o suficiente para alimentar sistemas de comandos de voz ambientais — fluxos de trabalho onde você fala comandos para o PC sem pressionar uma tecla ou clicar.
A arquitetura tipicamente se parece com isso:
Microfone → filtro VAD → Whisper → buffer de texto → parser de intenção → despachador de açõesO parser de intenção pode ser tão simples quanto um dicionário Python de frases-gatilho mapeadas para chamadas subprocess.run(), ou tão sofisticado quanto um modelo de linguagem local que lida com comandos em linguagem natural. Para gaming e criação de conteúdo, comandos comuns são:
- Iniciar/parar gravação
- Mudar cenas do OBS
- Disparar clips do soundboard
- Mutar/desmutar microfone
Uma alternativa leve é rodar o Whisper para transcrição contínua e usar um detector de palavras-chave como openwakeword como caminho rápido para os comandos mais comuns — o detector de palavras-chave dispara em menos de 50ms, e o Whisper cuida de todo o resto.
Precisão: O Que Esperar
Whisper-large-v3 alcança cerca de 3-5% de taxa de erro de palavras em áudio inglês limpo. No modo em tempo real com janelas de 1-3 segundos, espere 5-8% de WER devido ao contexto reduzido por chamada de inferência.
Fatores que melhoram a precisão:
- Melhor posicionamento do microfone: headset close-talk vs. microfone de mesa de campo distante é facilmente uma diferença de 2-3% de WER
- Supressão de ruído antes da entrada: pré-filtragem reduz alucinações disparadas por som de fundo
- Beam size: aumentar de 1 para 5 melhora a precisão ao custo de ~50ms de latência adicional por chunk
- Temperature: definir
temperature=0(decodificação greedy) reduz variância na saída
Fatores que prejudicam a precisão:
- Divisão na borda da janela: palavras que caem exatamente na borda entre janelas de inferência são propensas a erros — buffering de sobreposição mitiga isso
- Alucinações de silêncio: sem VAD, o Whisper frequentemente transcreve silêncio como frases de preenchimento — sempre rode VAD
Escolhendo Entre Whisper Real Time e as Legendas ao Vivo do Windows 11
| Critério | Legendas ao Vivo Win 11 | Whisper Local |
|---|---|---|
| Tempo de configuração | ~90 segundos | 15-60 minutos |
| Precisão (inglês limpo) | Boa | Excelente (large-v3) |
| Precisão (sotaques/jargão) | Razoável | Boa-Excelente |
| Suporte de idiomas | 30+ idiomas | 99 idiomas |
| Latência | 200-400ms | 150-800ms (depende da GPU) |
| Integração com OBS | Nenhuma | Saída para arquivo |
| Offline | Sim | Sim |
| Suporte Windows 10 | Não | Sim |
| Privacidade | Local (Microsoft) | Completamente local |
| Custo de hardware | Nenhum | GPU ajuda significativamente |
Se você está no Windows 11 e só precisa de legendas em inglês para acessibilidade com configuração mínima, Legendas ao Vivo é a resposta certa. Se você precisa de suporte para Windows 10, maior precisão em domínios específicos, legendas no OBS, comandos de voz, ou controle sobre o pipeline de transcrição, Whisper local é a melhor escolha.
Começando Hoje
O caminho mais rápido para transcrição Whisper real time funcionando:
-
Com VoxBooster: abra o app, vá em Configurações → Transcrição, habilite o Whisper, selecione o tamanho do modelo. Todo o resto é tratado automaticamente, incluindo roteamento de áudio, VAD e arquivo de saída para OBS.
-
faster-whisper manual:
pip install faster-whisper sounddevice silero-vad, depois adapte um dos exemplos de streaming do GitHub do faster-whisper. Espere 30 minutos para ter um protótipo funcionando. -
whisper.cpp: clone, compile com CUDA, rode
stream.exe. O setup mais rápido entre os caminhos manuais se você tem familiaridade com CMake.
Whisper real time no Windows não é mais experimental. Com o modelo certo, uma GPU de entrada média e uma entrada de áudio limpa, você tem qualidade de transcrição e latência que iguala ou supera os serviços comerciais na nuvem — sem que nada da sua voz saia da máquina.