O artigo XDA sobre usar Speakr auto-hospedado em vez de pagar $20 por mês ao Otter.ai chamou atenção porque nomeou o que a maioria das pessoas em trabalhos com muitas reuniões suspeita silenciosamente: a conveniência de um serviço de transcrição SaaS é comprada com o áudio de cada chamada de cliente, cada entrevista, cada brainstorm. Depois que você percebe que a gravação sai do seu laptop, é difícil não ver. A boa notícia é que a inferência do Whisper local ficou rápida o suficiente no hardware de 2024 para que uma pilha de transcrição auto-hospedada não seja mais um projeto de fim de semana. Testamos 7 dos melhores aplicativos para transcrição auto-hospedada no desktop, cada um executando modelos na máquina na sua frente, sem nada sair da rede local.
A lista abrange aplicativos GUI de binário único que caem em um Mac em um minuto, aplicativos Electron multiplataforma com diarização e UI, um wrapper TypeScript para transcrição em lote, e o CLI Whisper.cpp que discretamente alimenta a maioria dos outros. Cada escolha é julgada pela qualidade de transcrição no nível de alta precisão large-v3, velocidade em um Mac série M e um laptop x86 recente, e como ela liida com as partes que sempre dão errado: rótulos de falante, arquivos longos, idiomas mistos e exportação com carimbo de tempo.
O que procurar em um aplicativo de transcrição auto-hospedada
Uma pilha de transcrição auto-hospedada vive ou morre nos mesmos cinco pontos:
- Escolha de modelo. A família Whisper é o padrão, mas o aplicativo deve permitir que você escolha entre
tiny,base,small,medium,large-v2elarge-v3. Maior significa mais lento e mais preciso. Um modelo bloqueado é um erro. - Velocidade em hardware real. Em um MacBook Air M2,
large-v3deve transcrever um arquivo de uma hora bem abaixo de trinta minutos. Em um laptop Intel 12ª geração sem GPU, pode levar mais tempo que a própria gravação. O aplicativo deve deixar esse compromisso claro. - Diarização de falante. O único recurso que a maioria das pessoas quer e que a maioria das pilhas locais arruina. Procure por integração pyannote ou um diarizador local equivalente em vez de um palpite genérico “falante A / falante B”.
- Formatos de exportação. SRT e VTT para trabalho de vídeo, texto simples com carimbo de tempo para anotações, e JSON com pontuações de confiança para ferramentas downstream. Copiar para a área de transferência a transcrição e mais nada é um negócio perdido.
- Sem egresso de rede por padrão. Todo o ponto. O aplicativo não deve fazer chamadas para casa, enviar telemetria ou buscar o modelo de um CDN a menos que você peça explicitamente.
Comparação rápida
| Aplicativo | Licença | Plataformas | Aceleração GPU | Diarização | Melhor para |
|---|---|---|---|---|---|
| MacWhisper | Commercial (free tier) | macOS | Apple Silicon Metal | Sim (Pro) | Uso diário em Apple Silicon |
| Vibe | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, Vulkan | Sim | GUI multiplataforma |
| WhisperX | BSD-2 (open source) | Windows, macOS, Linux | NVIDIA, CPU | Sim (pyannote) | Alinhamento no nível da palavra para profissionais |
| Speakr | MIT (open source) | Windows, macOS, Linux (Docker) | NVIDIA, CPU | Sim | Servidor auto-hospedado com UI web |
| Aiko | Free, closed source | macOS, iOS | Apple Silicon Metal | Não | Transcrições rápidas puntuais no Mac |
| Buzz | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, CPU | Não | CLI + GUI de binário único multiplataforma |
| Whisper.cpp | MIT (open source) | Windows, macOS, Linux | NVIDIA, Metal, CPU | Não (manual) | CLI headless para scripts e servidores |
7 melhores aplicativos para transcrição auto-hospedada no desktop em 2026
1. MacWhisper — Melhor para uso diário em Apple Silicon
MacWhisper é o que a maioria dos usuários de Mac usará sem nunca abrir um terminal. O nível gratuito cuida da transcrição arrastar e soltar com modelos Whisper de tiny a medium, o nível Pro adiciona large-v3, trabalhos em lote, importação de podcasts e diarização de falante. A inferência funciona na pilha Metal da Apple, então um M2 Air processa um arquivo de uma hora em alguns minutos sem parecer um secador de cabelo. A UI é a parte que essa categoria raramente acerta.
Onde fica para trás: apenas macOS, e a qualidade de diarização fica atrás do WhisperX em gravações multi-falante complicadas. A licença Pro é uma compra única, não gratuita, o que a descarta para alguns.
Preço: Gratuito para medium e abaixo. Compra Pro única para large-v3, diarização, lote e importação do YouTube.
Plataformas: macOS (Apple Silicon recomendado; Mac Intel suportado mas lento).
Baixar: MacWhisper site
Conclusão: Se a maioria da transcrição acontece em Mac, comece aqui e siga em frente. A taxa Pro se paga em uma semana de notas de reunião.
2. Vibe — Melhor GUI multiplataforma
Vibe é o mais próximo do MacWhisper no mundo Windows e Linux. Um único download instala uma GUI que carrega qualquer modelo Whisper, roda em NVIDIA CUDA, Apple Metal ou Vulkan em AMD, e oferece diarização pronta. O sistema de plugins permite conectar etapas de resumo ou tradução sem sair do aplicativo, e o projeto lança versões frequentes.
Onde fica para trás: primeiro carregamento de modelo é pesado porque o binário busca pesos em tempo de execução. Diarização em arquivos longos pode travar em backends Vulkan; usuários CUDA não veem isso.
Preço: Gratuito, licença MIT.
Plataformas: Windows, macOS (Intel e Apple Silicon), Linux.
Baixar: Vibe site
Conclusão: O ponto de partida certo no Windows e Linux. Usuários de Mac com eGPU NVIDIA devem escolher Vibe em vez de MacWhisper.
3. WhisperX — Melhor para alinhamento no nível da palavra e diarização séria
WhisperX é o que transcritores profissionais usam quando os carimbos de tempo realmente importam. Ele emparelha Whisper com um alinhador forçado para que cada palavra caia em um código de tempo preciso, depois executa diarização pyannote para rotular falantes. O resultado é legendas SRT que resistem aos padrões de transmissão e JSON que qualquer ferramenta downstream pode consumir.
Onde fica para trás: CLI puro, sem GUI, e a árvore de dependência Python pode causar problemas no Windows. A configuração é uma tarde, não um fim de semana, mas não é a experiência “arraste um arquivo” que o MacWhisper oferece.
Preço: Gratuito, licença BSD-2.
Plataformas: Windows, macOS, Linux.
Baixar: WhisperX GitHub
Conclusão: Escolha WhisperX quando carimbos de tempo precisos no nível da palavra e falantes rotulados importam mais do que o polimento da UI. Para legistas e jornalistas, este é o indicado.
4. Speakr — Melhor para servidor auto-hospedado com UI web
Speakr é o aplicativo para o qual o artigo XDA mandou todos. Ele roda como um contêiner Docker que qualquer laptop ou servidor doméstico pode hospedar, expõe uma UI web limpa, e transforma inferência Whisper local em um serviço que toda a casa pode usar. Gravações sincronizam pela LAN, transcrições chegam em uma biblioteca pesquisável, e diarização é boa o suficiente para entrevistas mão-única sem ajuste adicional.
Onde fica para trás: é um servidor, então começar é docker compose up, não .dmg. Usuários que não rodam Docker devem escolher outra coisa.
Preço: Gratuito, licença MIT.
Plataformas: Qualquer coisa que rode Docker (Windows, macOS, Linux).
Baixar: Speakr GitHub
Conclusão: A escolha certa quando mais de uma pessoa na rede precisa de transcrição. Execute na mesma caixa que hospeda Jellyfin ou Home Assistant.
5. Aiko — Melhor para transcrições rápidas puntuais no Mac
Aiko é o mais próximo que a Mac App Store tem de um utilitário de transcrição gratuito sem conta. Solte um arquivo, escolha um modelo, veja a transcrição sair. Sem diarização, sem rótulos de falante, sem exportação sofisticada, apenas texto limpo com carimbo de tempo que você pode colar em um aplicativo de anotações.
Onde fica para trás: apenas macOS e iOS, e as escolhas de modelo ficam aquém de large-v3. Quem precisa de precisão séria deve pular isso e usar MacWhisper.
Preço: Gratuito, sem compras no aplicativo.
Plataformas: macOS, iOS.
Baixar: Aiko on the Mac App Store
Conclusão: A escolha certa para notas de voz e entrevistas curtas no Mac. Não é a escolha certa para um fluxo de trabalho sério.
6. Buzz — Melhor opção de binário único multiplataforma
Buzz vem como um aplicativo de download único que roda no Windows, macOS e Linux com a mesma UI. Ele suporta transcrição ao vivo do microfone, trabalhos baseados em arquivos e um modo OpenAI API integrado para usuários que querem comparar saída local e na nuvem lado a lado. A base de código é pequena o suficiente para auditar em uma tarde.
Onde fica para trás: sem diarização. Modo ao vivo corta frases de forma unhelpful em monólogos longos.
Preço: Gratuito, licença MIT.
Plataformas: Windows, macOS, Linux.
Baixar: Buzz GitHub
Conclusão: Uma boa primeira instalação em uma máquina Linux nova. O caminho mais rápido de “quero transcrição local” para um aplicativo funcionando.
7. Whisper.cpp — Melhor CLI headless para scripts e servidores
Whisper.cpp é o port C++ que discretamente alimenta metade dos aplicativos acima. Compila para um binário único, não tem runtime Python, e roda em tudo de um Raspberry Pi 5 a um M4 Max. Pipe um arquivo WAV, obtenha SRT ou VTT de saída. O build CMake agora vem com binários pré-compilados para as principais plataformas.
Onde fica para trás: CLI puro. Sem diarização, sem UI, sem polimento de aplicativo. Você constrói o fluxo de trabalho em torno dele.
Preço: Gratuito, licença MIT.
Plataformas: Windows, macOS, Linux, BSD, qualquer lugar com compilador C++.
Baixar: Whisper.cpp GitHub
Conclusão: A escolha certa para scriptar transcrição em pipelines existentes, para casos de uso embarcado, e para quem quer a superfície de ataque menor e mais auditável.
Como escolher o certo
- Se quer um substituto Otter.ai auto-hospedado que toda a casa possa usar: Speakr.
- Se vive em macOS e só quer o melhor aplicativo local: MacWhisper.
- Se está em Windows ou Linux e quer uma GUI limpa: Vibe.
- Se precisa de carimbos de tempo de transmissão e falantes rotulados: WhisperX.
- Se tem um Mac antigo e quer apenas transcrições ocasionais: Aiko.
- Se quer scriptar transcrição em um pipeline maior: Whisper.cpp.
Perguntas frequentes
Whisper pode substituir Otter.ai?
Para gravações apenas em inglês com um falante, sim. Para reuniões multi-falante com sobreposição, Whisper com diarização pyannote se aproxima mas ainda fica atrás do Otter em rotulagem de falante. A lacuna fechou muito em 2025 e continua fechando a cada versão.
Que hardware preciso para rodar transcrição local?
large-v3 roda confortavelmente em qualquer Mac com Apple Silicon e em qualquer GPU NVIDIA com 8 GB ou mais de VRAM. Inferência apenas CPU funciona mas leva mais tempo que a gravação. Para transcrição de reunião em ritmo casual, um laptop de cinco anos funciona bem se escolher small ou medium.
Qual modelo Whisper é melhor para precisão?
large-v3 é o modelo mais preciso publicado. large-v3-turbo é uma variante mais rápida com queda pequena de qualidade que a maioria dos usuários não vai notar em áudio limpo. Pule large-v2 em favor de v3 a menos que tenha razão específica.
Transcrição auto-hospedada pode lidar com áudio que não seja em inglês?
Whisper suporta quase 100 idiomas e é competitivo com serviços na nuvem nos principais (espanhol, francês, alemão, português, japonês, mandarim). Qualidade cai para idiomas com menos recursos, e inglês com sotaque forte de não-nativos ainda confunde todos os modelos locais.
Alguma dessas coisas funciona offline depois de instalada?
Sim, completamente. Depois que os pesos do modelo são baixados, todo aplicativo nessa lista roda sem conexão de rede. Esse é todo o ponto do auto-hospedagem.
