Reconhecimento de voz no seu idioma. Suporta Marathi, Hindi, Gujarati, Tâmil, Malaiala, Árabe, Japonês e mais de 90 outros idiomas. Não são necessários pacotes de idioma.
O discurso multilíngue para texto é uma das capacidades mais prometidas e menos entregues na tecnologia de voz. Empresas de software listam "99 idiomas suportados" em suas páginas de recursos, omitindo o fato de que muitos desses idiomas têm um desempenho muito pior na prática. Para um profissional bilíngue que alterna entre espanhol e inglês ao longo do dia, ou um pesquisador transcrevendo entrevistas conduzidas em árabe, essa lacuna pode tornar a ferramenta inutilizável.
O OpenAI Whisper mudou o cenário quando foi publicado em 2022. Treinado em 680.000 horas de áudio multilíngue coletado da web, é o modelo de reconhecimento de voz publicamente disponível mais amplamente treinado, fora das APIs principais de provedores de nuvem. A distinção importante é que o Whisper é um único modelo que lida nativamente com identificação e transcrição de idiomas juntos. Não há "Whisper Francês" e "Whisper Japonês". O mesmo modelo lida com 96 idiomas, e a lacuna de qualidade entre inglês e os principais idiomas mundiais é significativamente mais estreita do que em sistemas mais antigos.
O StarWhisper traz essa capacidade de discurso multilíngue para texto ao Windows em um aplicativo de desktop prático, sem configuração. Você não precisa de Python, linha de comando ou nenhuma configuração técnica. Você seleciona seu idioma, pressiona a tecla de atalho e fala. Esta página é um guia realista sobre o que funciona, o que não funciona e como obter os melhores resultados da transcrição de voz multilíngue em diferentes tamanhos de modelo e casos de uso.
Pesquisadores, profissionais de negócios internacionais, criadores de conteúdo e usuários bilíngues têm necessidades diferentes de uma ferramenta de transcrição multilíngue. Aqui estão os recursos que realmente importam:
Uma ferramenta que lida bem com inglês, mas luta com seu segundo idioma, não é genuinamente útil para trabalho multilíngue. Você precisa de um mecanismo onde a lacuna de qualidade entre seus idiomas seja pequena o suficiente para ser viável. Modelos maiores do Whisper geralmente têm melhor desempenho nos principais idiomas mundiais, mas a saída ainda depende da qualidade do áudio e da cobertura do idioma.
Alterar manualmente as configurações de idioma entre gravações é um atrito que mata os fluxos de trabalho. Um bom discurso multilíngue para texto deve identificar o idioma falado a partir do próprio áudio, sem exigir que você o declare antecipadamente para cada sessão.
Equipes internacionais frequentemente precisam de notas de reunião, transcrições de entrevistas ou resultados de pesquisa em inglês, independentemente do idioma de origem. A tradução integrada de voz para inglês remove uma etapa manual dos fluxos de trabalho que anteriormente exigiam transcrição e, depois, uma ferramenta de tradução separada.
Serviços em nuvem que cobram por minuto pela transcrição frequentemente adicionam sobretaxas para idiomas não ingleses ou simplesmente têm pior desempenho neles, cobrando a mesma taxa. O preço fixo que se aplica igualmente a todos os idiomas é o único modelo que torna os fluxos de trabalho multilíngues economicamente previsíveis.
Usuários multilíngues têm maior probabilidade de trabalhar entre países com diferentes leis de residência de dados. Áudio de negócios francês processado em servidores nos EUA levanta questões sobre o GDPR. O processamento offline local elimina esses dores de cabeça de conformidade transfronteiriça inteiramente.
O discurso bilíngue real frequentemente mistura idiomas no meio da frase. "So the meeting was at 3 o'clock, aber wir haben keine Einigung erreicht" é natural em ambientes de negócios alemães. Um mecanismo multilíngue maduro lida com essas trocas de idioma sem perder o rastro da transcrição principal.
Arquiteturas mais antigas de reconhecimento de voz mantinham modelos acústicos separados para cada idioma. Japonês exigia um modelo japonês, árabe exigia um modelo árabe, e assim por diante. Isso criava um problema de escalabilidade combinatória: suportar 20 idiomas significava 20 modelos, 20 encargos de manutenção e qualidade extremamente variável, dependendo de quanto investimento cada idioma recebia.
O Whisper funciona de forma diferente. É um único codificador-decodificador transformador treinado simultaneamente em dados multilíngues. O modelo aprende a lidar com a identificação de idiomas como parte da transcrição, não como uma etapa separada. Quando você instala o StarWhisper e baixa o modelo grande, você tem um discurso multilíngue funcional para texto para todos os 96 idiomas suportados em um único arquivo de 3GB. Não há complemento em francês ou pacote de idioma japonês.
O modo de detecção automática do StarWhisper pede ao Whisper para identificar o idioma falado a partir do segmento de áudio inicial antes que a transcrição comece. Para os principais idiomas mundiais, essa identificação geralmente é confiável e rápida. Você pode gravar um memorando de voz, transcrevê-lo e receber a saída formatada no idioma de origem sem abrir as configurações.
A detecção automática é menos confiável para idiomas minoritários, dialetos regionais que compartilham características fonológicas com idiomas maiores e gravações muito curtas. Para esses casos, definir o idioma explicitamente nas Configurações produz resultados mais consistentes. A precisão da detecção também depende do modelo: a identificação de idioma do modelo grande é significativamente melhor do que a do modelo pequeno, especialmente para idiomas com dados limitados de treinamento do Whisper.
O StarWhisper inclui um modo de tradução para inglês que realiza transcrição e tradução em uma única passagem. Este é um recurso direto do próprio modelo Whisper, não uma etapa de pós-processamento que roteia seu texto através de uma API de tradução separada. Fale francês, receba inglês. Fale japonês, receba inglês. A qualidade da tradução é forte para os principais idiomas e adequada para a maioria dos casos de uso profissional, embora a tradução de qualidade para publicação deva ser revisada por um falante nativo.
Isso importa para equipes de pesquisa internacionais, empresas multinacionais que padronizam a documentação em inglês e criadores de conteúdo que querem entender rapidamente o conteúdo de áudio em língua estrangeira. O pipeline local pode ser executado no seu dispositivo para fluxos de trabalho de áudio em idioma de origem privados.
A escolha do modelo desempenha um papel maior para o discurso multilíngue do que para a ditado simples em inglês. O pequeno continua sendo o padrão prático para ditado ao vivo em idiomas bem cobertos com script latino (alemão, francês, espanhol, português, italiano e similares). Para scripts não latinos (CJK, árabe, cirílico) e para idiomas menos recursos, o modelo médio geralmente é o passo certo acima.
Os usuários Pro podem acessar os modelos large-v2 e large-v3, que são mais úteis para transcrição em lote de gravações multilíngues de formato longo do que clipes ao vivo curtos. Em fragmentos curtos de ditado, os modelos maiores podem supercorrigir; reserve-os para arquivos onde o contexto extra ganha seu processamento. Usuários com GPUs NVIDIA podem processar áudio de modelo grande significativamente mais rápido do que sistemas apenas com CPU, tornando o conteúdo multilíngue de formato longo mais prático.
O StarWhisper pode processar transcrição multilíngue localmente após os modelos necessários estarem disponíveis. A transcrição multilíngue não requer um serviço de idioma em nuvem separado para fluxos de trabalho locais. Isso é importante para a conformidade de dados transfronteiriços: um advogado alemão transcrevendo conversas com clientes, um jornalista francês entrevistando fontes e um pesquisador coreano processando dados de entrevistas sensíveis podem todos se beneficiar do processamento local, independentemente do idioma do conteúdo. Consulte o guia de discurso para texto offline para mais sobre considerações de privacidade.
O cenário de transcrição multilíngue tem três categorias distintas, cada uma com compensações reais.
| Ferramenta | Idiomas | Processamento | Preços | Precisão Não-EN |
|---|---|---|---|---|
| StarWhisper (large) | 96 idiomas | 100% local | $10/mês fixo | Varia |
| Google Cloud Speech | 100+ idiomas | Upload na nuvem | $0,016/min+ | Varia |
| Otter.ai | Inglês principalmente | Upload na nuvem | $16,99/mês | Limitada |
| Whisper CLI (raw) | 96 idiomas | 100% local | Grátis | Varia |
| Azure Speech | 100+ idiomas | Upload na nuvem | $0,017/min | Varia |
A CLI do Whisper bruto produz qualidade de transcrição idêntica ao StarWhisper, pois compartilham o mesmo modelo subjacente. O que o StarWhisper adiciona é a UX de desktop do Windows, ditado de microfone em tempo real, widget flutuante, pré-configuração de aceleração de GPU e inserção automática de texto em qualquer aplicativo. A escolha entre o Whisper bruto e o StarWhisper é sobre se você quer uma ferramenta ou um fluxo de trabalho.
Os benchmarks de precisão multilíngue do Whisper estão documentados no artigo original do Whisper no arXiv, que inclui tabelas detalhadas de taxa de erro de palavras entre grupos de idiomas. Idiomas europeus com forte cobertura de treinamento do Whisper geralmente têm bom desempenho com modelos locais maiores. Para idiomas menos recursos, sistemas em nuvem que investiram especificamente nesses idiomas ainda podem ter vantagem.
Defina o idioma explicitamente nas configurações do StarWhisper. A seleção explícita é ligeiramente mais rápida do que a detecção automática e evita o caso raro em que clipes de áudio curtos são identificados incorretamente. Para idiomas bem cobertos com script latino (alemão, francês, espanhol, português, italiano), o modelo pequeno é o padrão prático. Para scripts não latinos e idiomas menos recursos, suba para o médio. O modelo grande é melhor reservado para transcrição em lote de gravações de formato longo, onde seu treinamento de segmentos longos ganha seu processamento; em ditado ao vivo curto, modelos menores muitas vezes têm o mesmo desempenho ou melhor.
Use o modo de detecção automática com o modelo grande. O StarWhisper pode identificar o idioma de cada gravação automaticamente. Para sessões de ditado em tempo real onde você alterna idiomas, crie dois perfis do StarWhisper com idioma pré-configurado e alternne entre eles conforme necessário. Isso é mais rápido do que depender da detecção para trocas rápidas. Consulte a visão geral do software de discurso para texto para mais sobre a configuração do fluxo de trabalho.
Ative a opção Traduzir para inglês. Isso produz texto em inglês diretamente do discurso não inglês sem rotear através de um serviço de tradução separado. Para a maioria dos casos de uso profissionais, a qualidade da tradução é boa o suficiente para notas, resumos e documentos de trabalho. Para contextos legais ou de publicação, peça a um falante nativo para revisar a saída. A qualidade da tradução é mais alta para espanhol, francês, alemão, português, italiano e outros idiomas bem representados no conjunto de treinamento do Whisper.
O processamento local do StarWhisper pode manter o áudio no seu dispositivo para fluxos de trabalho offline após os modelos estarem disponíveis. Isso é relevante para trabalhos sensíveis ao GDPR na Europa, para pesquisas sensíveis em contextos onde o áudio não deve cruzar fronteiras e para contextos profissionais onde o assunto exige confidencialidade, independentemente da jurisdição legal. Consulte a página de discurso para texto offline para o panorama completo de privacidade.
Configurar o StarWhisper para uso multilíngue leva cerca de 10 minutos, a maior parte do tempo esperando o modelo baixar. Depois disso, requer configuração contínua zero.
Discurso multilíngue para texto no Windows, com fluxos de trabalho offline locais
Baixar StarWhisper GrátisEmbora o Whisper lide bem com a alternância de idiomas, frases completas em um único idioma produzem uma saída mais precisa do que a mistura densa de idiomas. Se você estiver ditando notas e alternar idiomas naturalmente, tudo bem. Se você estiver processando uma gravação que alterna entre dois idiomas em blocos longos, dividir o áudio por seção de idioma antes de transcrever muitas vezes produz resultados mais limpos.
A vantagem de robustez do Whisper sobre sistemas mais antigos é maior para o inglês. Para idiomas não ingleses, ruído e artefatos de compressão têm um impacto negativo maior na precisão. Para gravações com ruído de fundo, o aprimoramento de voz ou o pré-processamento de redução de ruído (mesmo ferramentas gratuitas como a redução de ruído do Audacity) podem melhorar significativamente a precisão da transcrição multilíngue antes de alimentar o áudio para o StarWhisper.
A detecção automática é conveniente, mas adiciona uma pequena sobrecarga de processamento. Se você passa a maior parte do dia transcrevendo em um idioma, defina-o explicitamente. Reserve a detecção automática para situações onde você genuinamente não sabe qual é o idioma de uma gravação ou para processamento em lote de arquivos de idiomas mistos.
O Whisper aplica pontuação e capitalização apropriadas ao idioma para a maioria dos principais idiomas. Substantivos alemães são capitalizados automaticamente. As regras de espaçamento francês para pontuação são geralmente seguidas. A saída em japonês usa kanji, hiragana e katakana apropriados. No entanto, para documentos formais, uma revisão final das convenções específicas do idioma vale a pena, principalmente para marcas de pontuação menos comuns e capitalização de nomes próprios.
O StarWhisper suporta 96 idiomas através do mecanismo Whisper. O aplicativo inclui predefinições de idioma para mais de 29 idiomas no menu suspenso de configurações; outros idiomas podem ser selecionados pelo seu código ISO. A precisão do idioma varia de acordo com a disponibilidade de dados de treinamento do Whisper, com os principais idiomas mundiais tendo o melhor desempenho.
Sim. O modo de detecção automática identifica o idioma falado nos primeiros segundos de áudio antes que a transcrição comece. A detecção é confiável para os principais idiomas. Para idiomas minoritários ou dialetos que compartilham características fonológicas com idiomas maiores, selecionar manualmente o idioma produz resultados mais consistentes.
Não. O Whisper é um único modelo que lida com todos os 96 idiomas. Baixar o modelo large-v3 oferece capacidade multilíngue completa em todos os idiomas. Não há arquivos de modelo por idioma ou downloads de pacotes de idioma.
Sim. Ative a opção Traduzir para inglês nas Configurações para receber saída de texto em inglês do discurso não inglês. A tradução usa o recurso de tradução integrado do Whisper e é executado inteiramente localmente. A qualidade é mais forte para os principais idiomas europeus e do Leste Asiático. Para documentos formais, recomenda-se revisão por falante nativo.
Para idiomas com script latino com forte cobertura do Whisper (alemão, francês, espanhol, português, italiano e similares), o modelo pequeno é o padrão prático. Para scripts não latinos (CJK, árabe, cirílico) e idiomas menos recursos, suba para o médio. O grande é melhor reservado para transcrição em lote de gravações multilíngues de formato longo; em clipes curtos, modelos menores muitas vezes superam o grande porque foram treinados em segmentos mais curtos.
Sim, para fluxos de trabalho locais após os modelos necessários estarem disponíveis. O áudio em idiomas suportados pode ser processado localmente sem um serviço de idioma em nuvem separado.
O Whisper lida razoavelmente bem com a mistura de idiomas intrafrase (code-switching) quando os idiomas são fonologicamente distintos. Termos técnicos em inglês em uma transcrição alemã, ou frases em franceses em uma entrevista em inglês, geralmente são transcritos corretamente. Para gravações que alternam entre dois idiomas em longas seções, dividir o áudio por seção de idioma antes da transcrição produz resultados mais limpos.
Discurso multilíngue real para texto no Windows. 96 idiomas, um modelo, fluxos de trabalho offline locais. Comece gratuitamente, sem necessidade de conta.