Transcrição é a base de quase tudo que a IA faz bem na edição: achar trechos, sugerir cortes, montar legenda, decupar entrevista. E dá para fazer no seu próprio computador, sem pagar por minuto e sem mandar o material do cliente para lugar nenhum.
O problema é que, quando você pede “instala o Whisper aí”, o agente quase sempre instala a versão que roda no processador (CPU). Funciona, mas é muito lenta. Este post mostra como pedir a versão certa, que roda na placa de vídeo (GPU).
Por que GPU faz tanta diferença
O Whisper é um modelo de reconhecimento de fala. Ele faz muita conta em paralelo, e é exatamente isso que a placa de vídeo faz bem.
Um número da minha máquina, para dar escala: 8 horas de vídeo levaram cerca de meia hora rodando no MLX, a GPU do Mac. Pela CPU, o mesmo material passava de 9 horas. O seu resultado vai depender do computador e do modelo escolhido, mas a diferença costuma ser dessa ordem.
O que pedir para o agente
Antes de qualquer comando, deixe claro o que você quer. Eu peço sempre três coisas:
- Rodar na GPU. No Mac com chip Apple, pelo MLX. No Windows ou Linux com placa NVIDIA, pela CUDA.
- Palavra por palavra. Cada palavra com o seu tempo de início e fim. É isso que permite cortar no lugar certo e montar legenda animada depois.
- Um arquivo por vez. Rodar várias transcrições ao mesmo tempo disputa a mesma placa e deixa tudo mais lento.
Se o vídeo tem mais de uma pessoa falando, peça também diarização, que identifica quem fala em cada trecho. O Whisper não faz isso sozinho: é uma etapa a mais, com outro modelo. Peça ao agente para montar essa etapa quando você precisar dela.
Passo 1: extraia o áudio
Transcrever o áudio é mais leve do que passar o vídeo inteiro. Com o FFmpeg:
ffmpeg -i video.mp4 -vn -ac 1 -ar 16000 audio.wav
Isso gera um áudio mono a 16 kHz, que é o formato com que o Whisper trabalha.
Passo 2 (Mac): Whisper no MLX
Em Mac com chip Apple, o caminho é o mlx-whisper, a versão do Whisper feita para o MLX. Peça ao agente para instalar num ambiente Python próprio e rodar algo assim:
pip install mlx-whisper
mlx_whisper audio.wav --model mlx-community/whisper-large-v3-turbo --language pt --word-timestamps True --output-format all
O --output-format all gera o texto corrido, o SRT e um JSON. É no JSON que fica o tempo de cada palavra. O modelo é baixado na primeira vez; depois disso, a transcrição roda toda no seu Mac.
Passo 2 (Windows ou Linux com NVIDIA): faster-whisper
Com placa NVIDIA, uma opção muito usada é o faster-whisper. Ele é uma biblioteca de Python, então o agente escreve um script curto:
from faster_whisper import WhisperModel
model = WhisperModel("large-v3", device="cuda", compute_type="float16")
segments, info = model.transcribe("audio.wav", word_timestamps=True)
for segment in segments:
for word in segment.words:
print(f"{word.start:.2f}\t{word.end:.2f}\t{word.word}")
Para rodar na placa, os drivers e as bibliotecas da NVIDIA (CUDA) precisam estar instalados. Se o agente disser que caiu para a CPU, é por aí que você começa a investigar.
Qual modelo escolher
- large-v3 e large-v3-turbo: os mais precisos para português. O turbo é mais rápido, com pouca perda.
- medium e menores: mais leves, servem para máquina com pouca memória ou para um primeiro rascunho.
No grupo de editores que eu acompanho também aparecem o Parakeet e outros modelos, cada um com o seu ponto forte (alguns vão melhor em ditado ao vivo, outros em arquivos longos). Teste com um trecho do seu material antes de transcrever horas.
Passo 3: confira antes de usar
Transcrição automática erra. Os erros mais comuns:
- Nomes próprios e marcas. Confira sempre, principalmente em vídeo de cliente.
- Termos técnicos. Gírias de nicho e siglas vêm trocadas.
- Trechos com música ou ruído. O modelo pode “ouvir” frases que não existem.
Para legenda que vai ao ar, a revisão humana continua necessária. Para achar trechos e sugerir cortes, a transcrição bruta já resolve.
Por que isso também economiza créditos
Mandar um vídeo longo para o modelo do agente “assistir” gasta muito. Contexto longo custa mais. Transcrever localmente e mandar só o texto é muito mais barato, e o agente trabalha melhor com texto e tempo do que com um arquivo pesado.
Que máquina precisa
Não precisa de computador de ponta, mas memória ajuda. Em Mac com chip Apple, o MLX já usa a placa integrada. No PC, uma placa NVIDIA com memória de vídeo suficiente para o modelo escolhido. Sem GPU, dá para rodar modelos menores na CPU, aceitando que vai demorar.
O que fazer com a transcrição
Com o texto palavra por palavra na mão, você já pode:
- pedir ao agente para achar os melhores trechos de uma entrevista;
- montar um rascunho de cortes antes de abrir o editor;
- gerar legenda animada, que é o assunto de legendas dinâmicas com IA;
- marcar onde entra cada b-roll, que é o que o get-brolls faz a partir da fala.
Se você está começando agora, veja também os programas que você precisa instalar para editar com IA. E se quiser trocar configuração de máquina e de modelo com quem já roda isso todo dia, a Comunidade dos Engenheiros de Vídeo é o lugar.
