Para transcrever áudio com IA, a decisão prática se resume a duas variáveis: volume mensal e exigência de privacidade. Para uso pessoal ou material sensível, o Whisper é um modelo de reconhecimento de fala de código aberto com pesos liberados sob a licença MIT, que roda no seu próprio computador e não cobra por minuto. Para lotes grandes com prazo curto, APIs pagas como a do Google Cloud e a da Deepgram entregam velocidade e recursos extras, cobrando por minuto processado. A comparação abaixo mostra os números reais de cada caminho e quando cada um compensa.
Três caminhos para transcrever
O Whisper, mantido pela OpenAI no GitHub, é distribuído em seis tamanhos de modelo, do tiny ao large, mais uma versão turbo otimizada para velocidade. O mesmo modelo faz reconhecimento multilíngue, tradução falada para o inglês e identificação de idioma. No hardware, o modelo large pede cerca de 10 GB de memória de vídeo e o turbo cerca de 6 GB, segundo a tabela oficial do projeto; em notebook sem placa dedicada, as versões small e base funcionam, apenas mais devagar.
O Speech-to-Text do Google Cloud é uma API de nuvem: você envia o áudio e recebe o texto, com faturamento por minuto efetivamente processado e cada requisição arredondada para cima em incrementos de um segundo. A Deepgram segue o mesmo formato de API, com foco em transcrição em tempo real, separação de falantes e formatação automática do texto.
Custo por minuto comparado
No Google Cloud, o reconhecimento padrão da API V2 custa US$ 0.016 por minuto e o modo dynamic batch sai por US$ 0.003 por minuto quando a transcrição não precisa ser imediata — uma diferença de mais de cinco vezes para quem tem arquivos para processar durante a noite. Na API V1 com data logging ativado, há 60 minutos gratuitos por mês, o que serve para teste contínuo, não para produção. A Deepgram trabalha com créditos pré-pagos no modelo pay-as-you-go, sem compromisso mensal fixo.
| Opção | Como roda | Custo base | Detalhe que muda a conta |
|---|---|---|---|
| Whisper | Local, código aberto | Grátis (MIT) | Exige máquina razoável; GPU acelera muito |
| Google Cloud V2 | Nuvem (API) | US$ 0.016/min | Dynamic batch por US$ 0.003/min sem urgência |
| Deepgram | Nuvem (API) | Crédito pré-pago | US$ 200 de crédito inicial para testar |
Antes de decidir só pelo preço de tabela, vale aplicar a mesma desconfiança que se aprende em outros comparativos de IA gratuita: o limite real aparece no uso, não na divulgação — como acontece com as IAs de imagem grátis.
Precisão, idiomas e limites
Nenhum número de precisão vale para todos os casos: a própria documentação do Whisper avisa que o desempenho varia bastante conforme o idioma, medido em taxas de erro por palavra ou por caractere. Em português, com áudio limpo e uma pessoa falando, os modelos médios já geram rascunho aproveitável; em reunião, com várias vozes e ruído, a taxa de erro sobe em qualquer serviço. Na Deepgram, os modelos Nova cobrem mais de 45 idiomas com detecção automática; no Google Cloud, o modelo chirp é a opção multilíngue da V2. Tradução falada é território do Whisper: a documentação alerta que a versão turbo não é treinada para tradução, e recomenda os modelos medium ou large para esse caso. O teste honesto é sempre com cinco minutos do seu pior áudio real, não com podcast de estúdio.
Privacidade e onde roda
Com o Whisper local, o áudio sai da sua máquina só se você quiser: depois de baixar os pesos do modelo, ele funciona offline. Nas APIs de nuvem, o arquivo é enviado para os servidores do provedor — o que pede leitura da política de retenção antes de subir reuniões, entrevistas ou dados de clientes. A Deepgram entrega US$ 200 em crédito inicial e mantém um endpoint dedicado na União Europeia (api.eu.deepgram.com), para quem precisa que o processamento ocorra dentro da UE. Quanto tempo o provedor guarda esse áudio é pergunta obrigatória antes da escolha: as janelas de retenção variam de dias a anos entre serviços.
Como escolher em quatro passos
- Calcule o volume mensal em minutos de áudio. Até algumas horas por mês, a fatura da API tende a caber no orçamento; passadas dez horas mensais, o custo de rodar local costuma pesar menos que o preço por minuto.
- Classifique o material: áudio com dados pessoais, médicos ou comerciais sensíveis pende para execução local; conteúdo público tolera nuvem sem drama.
- Teste com cinco minutos reais do seu pior arquivo — ruído, vozes sobrepostas, sotaque — e compare a saída dos candidatos lado a lado, contando os erros que doeriam no seu uso.
- Leia os limites do plano antes de assinar: arredondamento por segundo, cobrança por canal e limite de requisições simultâneas mudam a fatura final.
Erros que custam caro
Três armadilhas aparecem com frequência. Primeira: no Google Cloud, cada canal de áudio é cobrado separadamente — um arquivo de 30 minutos com quatro canais gera cobrança de 120 minutos, ainda que a cota mensal conte só 30. Segunda: escolher a versão turbo do Whisper esperando tradução, função que ela não tem. Terceira: assinar plano anual depois de testar só com áudio limpo e descobrir, na primeira reunião real, que a separação de falantes cobrada à parte era o recurso realmente necessário.