Whisper vs Transcreve.ai: Comparativo Real de Precisão em Português Brasileiro

O OpenAI Whisper é o modelo de reconhecimento de fala mais famoso do mundo — open source, gratuito e com precisão impressionante em inglês. Mas como ele se sai com português brasileiro coloquial? E como se compara com o Transcreve.ai, uma ferramenta brasileira que usa Whisper como base mas adiciona ajustes proprietários?

Para responder a essas perguntas, fiz um teste controlado: mesmo áudio, mesmas condições, comparando métricas objetivas. Aqui estão os resultados.

Metodologia do teste

Áudios testados

Tipo de áudio	Duração	Características	Dificuldade
WhatsApp (celular)	3 min	Voz informal, chiado de compressão, gírias	🟡 Média
Reunião corporativa	8 min	4 falantes, termos técnicos de marketing	🔴 Alta
Podcast	12 min	2 hosts, áudio profissional, sotaque misto	🟢 Baixa
Vídeo de YouTube	5 min	1 falante, fala pausada, termos acadêmicos	🟢 Baixa
Sotaque nordestino	4 min	Forte sotaque, expressões regionais	🔴 Alta

Ferramentas comparadas

Ferramenta	Modelo	Custo
Transcreve.ai	Whisper proprietário ajustado	Planos a partir de R$29/mês
Whisper (local)	large-v3	Grátis
Whisper (API OpenAI)	large-v3 (via API)	US$0.006/min

Métrica de precisão

Usei a taxa de erro de palavra (WER — Word Error Rate), que mede quantas palavras a IA errou (substituiu, omitiu ou inseriu). Quanto menor, melhor:

WER < 5% = Excelente (publicável sem revisão)
WER 5-10% = Muito bom (revisão leve)
WER 10-20% = Bom (precisa revisão)
WER > 20% = Ruim (revisão pesada necessária)

Resultados

Áudio 1: WhatsApp (voz informal, gírias, chiado)

Ferramenta	WER	Observações
Transcreve.ai	6.2%	Acertou "tá ligado", "mano", "tipo assim"
Whisper local	9.8%	Errou várias gírias, trocou "mano" por "magno"
Whisper API	10.1%	Performance similar ao local

Veredito: Transcreve.ai ganha em áudio informal de WhatsApp. O ajuste proprietário em gírias brasileiras faz diferença.

Áudio 2: Reunião com 4 falantes (termos técnicos)

Ferramenta	WER	Observações
Transcreve.ai	10.7%	Identificou 4 falantes corretamente, acertou termos de marketing
Whisper local	15.3%	Não identificou falantes, texto corrido sem distinção
Whisper API	14.1%	Mesmo problema — sem diarização

Veredito: Transcreve.ai ganha por margem significativa. A diarização (identificação de falantes) é o diferencial — Whisper puro não faz isso.

Áudio 3: Podcast (áudio profissional, 2 hosts)

Ferramenta	WER	Observações
Transcreve.ai	3.1%	Quase perfeito
Whisper local	4.2%	Excelente também
Whisper API	4.5%	Muito bom

Veredito: Empate técnico — ambos entregam >95% de precisão em áudio profissional limpo.

Áudio 4: Vídeo de YouTube (fala pausada, termo acadêmico)

Ferramenta	WER	Observações
Transcreve.ai	2.8%	Excelente
Whisper local	3.5%	Excelente
Whisper API	3.2%	Excelente

Veredito: Ambos brilhantes. Com áudio limpo e um falante, a diferença é marginal.

Áudio 5: Sotaque nordestino (forte, expressões regionais)

Ferramenta	WER	Observações
Transcreve.ai	8.4%	Acertou "oxente", "visse", "painho"
Whisper local	14.7%	Confundiu expressões regionais com palavras padrão
Whisper API	13.9%	Similar ao local

Veredito: Transcreve.ai ganha por margem clara. Treinamento adicional em sotaques brasileiros faz diferença.

Resumo comparativo

Critério	Transcreve.ai	Whisper (local)	Whisper (API)
Precisão PT-BR informal	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐
Precisão PT-BR áudio profissional	⭐⭐⭐⭐⭐	⭐⭐⭐⭐	⭐⭐⭐⭐
Identificação de falantes	✅	❌	❌
Sotaques regionais	⭐⭐⭐⭐⭐	⭐⭐⭐	⭐⭐⭐
Upload de vídeo direto	✅	❌ (só áudio)	❌ (só áudio)
Interface gráfica	✅ Simples	❌ (CLI)	❌ (API)
Custo	R$29+/mês	Grátis	US$0.006/min
Privacidade (offline)	❌ (nuvem)	✅	❌ (nuvem)
Velocidade	⭐⭐⭐⭐⭐ (GPU cloud)	⭐⭐⭐ (depende do HW)	⭐⭐⭐⭐⭐

Qual escolher?

Use Whisper (local) se:

Você tem GPU (RTX 2060 ou superior) e não se importa com setup técnico
Privacidade é prioridade zero (áudios nunca saem do seu computador)
Você transcreve volume alto (mais de 20 horas/mês) e o custo de ferramentas pagas pesa
Você não precisa de identificação de falantes
Seu áudio é profissional/limpo e você consegue lidar com ~90-95% de precisão

Use Transcreve.ai se:

Você quer a melhor precisão em português brasileiro (especialmente áudio informal e com sotaque)
Você precisa de identificação de falantes (reuniões, entrevistas)
Você quer upload direto de vídeo e URL sem precisar extrair áudio
Você não quer perder tempo instalando Python, CUDA e dependências
Você transcreve até 10-15 horas/mês e o custo mensal é acessível

FAQ

O Transcreve.ai é "só um wrapper" do Whisper?

Não. Ele usa Whisper como modelo base, mas adiciona: ajuste fino em português brasileiro coloquial e sotaques regionais, diarização (identificação de falantes), separação de voz/música, interface web e processamento em GPU cloud. É tipo dizer que um carro de F1 é "só um motor de carro normal" — tecnicamente verdade, mas enganoso.

O Whisper vai melhorar em português com o tempo?

Provavelmente sim. A OpenAI continua treinando modelos maiores. Mas o Whisper é treinado em um corpus global — ele nunca terá o ajuste fino em gírias de São Paulo ou expressões nordestinas que uma ferramenta brasileira pode oferecer.

Vale a pena pagar pelo Transcreve.ai se o Whisper é grátis?

Depende do seu volume e exigência. Se você transcreve 2h/mês de podcast profissional: Whisper grátis resolve. Se você transcreve 10h/mês de reuniões, áudios de WhatsApp e entrevistas com sotaques variados: a diferença de precisão e o tempo economizado com revisão pagam a assinatura muitas vezes.

Teste a diferença você mesmo. Acesse transcreve.ai e transcreva seu primeiro áudio gratuitamente — compare com o Whisper e veja qual funciona melhor para o seu uso.