Transcrição local vs. nuvem: privacidade, velocidade e precisão comparadas

A transcrição local processa o seu áudio inteiramente no seu dispositivo usando modelos como o OpenAI Whisper e o NVIDIA Parakeet, executados por meio de runtimes otimizados como o whisper.cpp. Nenhum áudio jamais sai da sua máquina. A transcrição na nuvem envia o seu áudio para servidores remotos operados por provedores como Google, AWS, Microsoft, Deepgram ou AssemblyAI, onde grandes clusters de GPU o processam e devolvem uma transcrição em texto. Os principais trade-offs entre as duas abordagens se resumem a cinco fatores: privacidade, latência, precisão, custo e capacidade offline. Este artigo examina cada um deles com números reais e políticas reais, para você tomar uma decisão informada.

Última atualização: 17 de fevereiro de 2026. As afirmações quantitativas e de políticas são verificadas com base em pelo menos duas fontes primárias.

• Modelos locais abertos são prontos para produção: o Whisper e o Parakeet têm cards de modelo públicos e implementações abertas adequadas para inferência no dispositivo. OpenAI Whisper · NVIDIA Parakeet
• O STT na nuvem é cobrado por uso: os principais provedores medem o consumo por volume de áudio e camada do modelo. Preços do Google · Preços da AWS
• O tratamento de dados varia conforme o provedor: as configurações de registro/retenção e os opt-outs são específicos de cada serviço e precisam ser configurados. Registro de dados do Google · Política de opt-out de IA da AWS
• O contexto regulatório importa: as obrigações relativas a dados biométricos e sensíveis variam conforme a jurisdição e o caso de uso. Texto oficial do GDPR · Texto oficial do EU AI Act
• Modelo de implantação do OpenWhispr: o OpenWhispr usa o processamento local por padrão e também oferece roteamento BYOK para a nuvem quando os usuários precisam. OpenWhispr · Runtime whisper.cpp

Quando você usa um serviço de conversão de fala em texto na nuvem, o seu áudio percorre um caminho de várias etapas. Primeiro, o seu dispositivo captura o áudio bruto do microfone e o comprime em um formato adequado à transmissão — normalmente Opus, FLAC ou PCM linear. Esse áudio comprimido é então enviado pela internet até o endpoint da API do provedor, em geral via HTTPS ou uma conexão WebSocket para streaming em tempo real.

Do lado do servidor, o provedor processa o seu áudio em grandes modelos de rede neural hospedados em clusters de GPU. Esses modelos costumam ser treinados com centenas de milhares de horas de dados de fala rotulados, muito mais do que qualquer pessoa conseguiria reunir sozinha. A transcrição resultante é devolvida ao seu dispositivo.

Os principais provedores de transcrição na nuvem incluem:

• Google Cloud Speech-to-Text — Ampla cobertura de idiomas, com opções de processamento em lote e streaming em tempo real.
• AWS Transcribe — A oferta da Amazon, com identificação automática de idioma, suporte a vocabulário personalizado e redação de PII.
• Microsoft Azure Speech — Integração profunda com o ecossistema Microsoft, modelos de fala personalizados e transcrição em tempo real.
• Deepgram — Conhecido pela velocidade e pela experiência do desenvolvedor, com o modelo Nova-3 oferecendo alta precisão a preços competitivos.
• AssemblyAI — Focado em precisão e ferramentas para desenvolvedores, com diarização de falantes e moderação de conteúdo integradas.

A latência na nuvem é variável porque inclui captura, upload, inferência no servidor e entrega da resposta. Em ambientes bem conectados, ela pode parecer rápida, enquanto redes instáveis ou regiões de alta latência podem tornar a experiência visivelmente mais lenta. A transcrição em lote pode levar de segundos a minutos, dependendo do tamanho do arquivo e da fila.

A transcrição local executa o modelo de reconhecimento de fala diretamente no seu dispositivo. Não há rede envolvida — o áudio vai do microfone direto para um modelo rodando na sua CPU ou GPU, e o texto sai do outro lado. Todo o processo acontece na memória da sua máquina.

O avanço que tornou prática a transcrição local de alta qualidade foi o lançamento do Whisper pela OpenAI em setembro de 2022 — um modelo de código aberto treinado com 680.000 horas de áudio multilíngue. Mais recentemente, a NVIDIA lançou sua família de modelos de ASR Parakeet, que alcançam precisão de ponta em benchmarks em inglês e estão disponíveis sob licenças abertas. Pouco depois, Georgi Gerganov criou o whisper.cpp, uma reimplementação em C/C++ otimizada para inferência em CPU, que levou a precisão do Whisper para hardware comum, sem exigir uma GPU dedicada.

O Whisper vem em vários tamanhos de modelo, cada um trocando precisão por velocidade:

No Apple Silicon (do M1 ao M4), o whisper.cpp executa a inferência inteiramente na GPU via Metal, atingindo velocidades em tempo real ou superiores ao tempo real mesmo com o modelo medium. O modelo Turbo — uma variante otimizada do large-v3 com perda mínima de precisão — roda com alto throughput nos MacBooks modernos, e é por isso que ele é comumente usado em fluxos de ditado local de baixa latência.

Outros motores de transcrição local incluem o Vosk (leve, com precisão menor) e o Sherpa-ONNX (Kaldi de nova geração com suporte ao runtime ONNX). Ainda assim, o OpenAI Whisper via whisper.cpp e o NVIDIA Parakeet seguem como o padrão-ouro em qualidade de transcrição local.

A privacidade é o maior diferencial entre a transcrição local e a transcrição na nuvem. Com o processamento local, a pergunta "o que acontece com os dados do meu áudio?" tem uma resposta simples: nada. Eles ficam no seu dispositivo, na sua RAM, e são descartados após a transcrição. Não há terceiros em quem confiar, política para ler nem vazamento de dados com que se preocupar.

A transcrição na nuvem exige que você confie no seu provedor. Veja o que os principais provedores realmente dizem sobre como tratam o seu áudio:

Sejamos honestos: os melhores provedores de nuvem ainda levam vantagem em precisão bruta para certos casos de uso. Eles treinam com vastos conjuntos de dados proprietários, oferecem atualizações de modelo em tempo real e podem aproveitar vocabulários personalizados específicos do contexto. Para áudios difíceis — sotaques fortes, ambientes barulhentos, jargão específico de um domínio — serviços de nuvem como o Chirp 2 do Google ou o Nova-3 da Deepgram tendem a ter bom desempenho.

Dito isso, a diferença diminuiu drasticamente. O OpenAI Whisper large-v3, treinado com 680.000 horas de áudio multilíngue, alcança Taxas de Erro de Palavra (WER) competitivas na maioria dos idiomas comuns. Os modelos Parakeet da NVIDIA elevaram ainda mais o nível, atingindo algumas das menores WERs em benchmarks padrão de inglês. Benchmarks independentes mostram de forma consistente que esses modelos abertos têm desempenho a poucos pontos percentuais dos serviços de nuvem comerciais para o inglês e, às vezes, superando-os em idiomas específicos da cauda longa.

O modelo Turbo — uma variante destilada do large-v3 com 809M de parâmetros em vez de 1,55B — mantém a maior parte da precisão enquanto roda cerca de 8x mais rápido. Para ditado em tempo real, em que você fala com clareza em um microfone decente, a diferença entre o Turbo e uma API de nuvem é desprezível para a maioria dos usuários.

Resumo: se você dita em um ambiente silencioso com um microfone decente, modelos como o Whisper Turbo, o Whisper large-v3 ou o Parakeet rodando localmente vão lhe dar resultados indistinguíveis dos serviços de nuvem para a maioria dos fins práticos. A nuvem sai na frente em cenários ruidosos com vários falantes, idiomas de nicho e vocabulários específicos de domínio.

A latência importa mais para o ditado em tempo real, em que você quer ver suas palavras aparecerem imediatamente após falar. Aqui, a transcrição local e a transcrição na nuvem têm perfis de latência fundamentalmente diferentes.

Para streaming em tempo real, os provedores de nuvem conseguem devolver hipóteses parciais rapidamente quando a conectividade está boa. Mas isso ainda exige uma conexão estável e de baixa latência. Em um avião, em um Wi-Fi público congestionado ou atrás de rotas de VPN restritivas, a latência percebida pode se degradar rapidamente.

A transcrição local com whisper.cpp não é streaming em tempo real no sentido tradicional. A maioria das implementações locais usa um padrão de "apertar para falar": você fala, o áudio é armazenado em buffer e então o modelo processa o segmento completo. Com o modelo Turbo em um chip Apple série M, essa etapa de processamento é rápida o suficiente para que o atraso pareça desprezível no ditado — normalmente menos de um segundo para frases curtas.

Para a transcrição de arquivos longos pré-gravados, os serviços de nuvem conseguem paralelizar entre clusters de GPU e muitas vezes concluem grandes lotes rapidamente. O throughput local é limitado pela sua máquina e pela escolha do modelo, então o tempo de execução pode ser mais lento para gravações muito longas.

A transcrição local não custa nada além do hardware que você já possui. Não há chave de API, painel de cobrança nem cobrança por minuto. Você baixa um arquivo de modelo (de 75 MB para o Tiny a 3 GB para o Large-v3) e pronto. Para sempre.

Os provedores de nuvem cobram por uso (por minuto ou por hora, dependendo do fornecedor e do modelo). Planos e descontos mudam com frequência, então verifique as tarifas atuais antes de fazer um orçamento:

Observação: os preços da nuvem muitas vezes incluem cobranças adicionais por recursos como diarização de falantes, redação de PII ou vocabulários personalizados. Os preços base acima referem-se apenas à transcrição padrão.

Esta é binária: a transcrição na nuvem exige internet, a transcrição local não. Para muita gente, esse é o fator decisivo.

Cenários em que a capacidade offline não é opcional:

Nenhuma das abordagens é universalmente melhor. A escolha certa depende do que você prioriza.

• OpenAI Whisper — Repositório do modelo original, com tamanhos de modelo, benchmarks e documentação.
• whisper.cpp — Port em C/C++ do Whisper otimizado para inferência em CPU e GPU do Apple Silicon.
• Card do modelo NVIDIA Parakeet RNNT — Métricas e orientações de uso do modelo de ASR aberto.
• Preços do Google Cloud Speech-to-Text — Camadas de preços atuais da API de fala do Google.
• Preços do AWS Transcribe — Preços atuais da Amazon baseados em uso para lote e streaming.
• Preços do Azure Speech Services — Preços da Microsoft para fala em texto em tempo real e em lote.
• Preços da Deepgram — Detalhes de preços por camada de modelo da Deepgram.
• Preços da AssemblyAI — Detalhes de preços por uso e por camada de modelo da AssemblyAI.
• Registro de dados do Google Speech-to-Text — Documentação do Google sobre como os dados de áudio são tratados e armazenados.
• Políticas de opt-out dos serviços de IA da AWS — Como impedir que a AWS use o seu conteúdo para aprimorar seus serviços de IA.
• Privacidade de dados do Azure Speech — Documentação de privacidade e segurança de dados da Microsoft para o Speech Services.
• Robust Speech Recognition via Large-Scale Weak Supervision — O artigo original do Whisper por Radford et al. (2022), detalhando a metodologia de treinamento e os benchmarks de WER.
• GDPR (texto oficial da UE) — Base legal para o tratamento de dados pessoais/biométricos.
• EU AI Act (texto oficial da UE) — Obrigações por camada de risco da IA relevantes para sistemas biométricos e de alto risco.
• OpenWhispr — Exemplo de um fluxo local-first + nuvem BYOK opcional em um único aplicativo.