Transcreva áudio falado em texto.
Seleções rápidas
6 modelos
Community
Whisper Large v3 wrapped with Hugging Face Transformers optimizations (batched inference, flash attention) for very high throughput. Transcribes hours of audio in minutes on a single GPU. Maintained by Vaibhav Srivastav. Good when you need bulk transcription fast.
whisperstttranscription
≈ US$ 0,0056/execução
OpenAI
OpenAI's Whisper running on Replicate. General-purpose speech recognition trained on 680k hours of multilingual audio. Transcribes and translates 99 languages, robust to accents and background noise, and outputs plain text, segments, or word-level timestamps.
whisperstttranscription
≈ US$ 0,0034/execução
Community
Meta's SeamlessM4T multimodal translation model. Takes speech or text input and produces transcription or translation across about 100 languages, including speech-to-text and speech-to-speech. One model covers ASR plus cross-lingual translation without chaining separate systems.
metaseamlessstt
≈ US$ 0,156/execução
Community
Meta SeamlessM4T v2 Large speech mode. Speech-to-speech, speech-to-text, and text-to-speech translation across 100+ languages in a single unified model.
translationmetaopen-weights
≈ US$ 0,0012/execução
Community
Whisper Large v3 Turbo combined with pyannote 4.0 for speaker diarization, returning who-said-what segments with timestamps. Built by Thomas Mol. Returns a clean JSON of speaker-labeled segments, handy for meeting notes, interviews, and podcasts.
whisperstttranscription
≈ US$ 0,0063/execução
Community
WhisperX (Large v3) with forced alignment for accurate word-level timestamps plus optional speaker diarization. Uses VAD to cut long files into segments and a wav2vec2 aligner to pin each word to its exact time. Useful for subtitles and per-speaker transcripts.
whisperxstttranscription
≈ US$ 0,0241/execução
OpenAI
OpenAI's Whisper model. State-of-the-art speech recognition supporting 99+ languages.
multilingual
Não oferecido no momento
OpenAI
OpenAI's distilled Whisper Large v3. ~216x realtime, 99+ languages, MIT-licensed weights.
whisperstttranscription
Desativado
Other
Deepgram's flagship STT. First to offer realtime multilingual transcription with self-serve customization.
deepgramstttranscription
Não oferecido no momento
ElevenLabs
ElevenLabs' STT. 99 languages, word-level timestamps, speaker diarization, audio-event tagging.
scribestttranscription
Desativado
As páginas permanecem online, mas os modelos não podem ser executados no momento.
Os modelos speech-to-text (STT) convertem áudio falado em texto escrito. A categoria cobre desde transcrições de podcasts a pipelines de legendagem em tempo real e interfaces de comando por voz em apps móveis. Recorra ao STT quando precisar de pesquisar dentro de áudio, construir ditado, resumir reuniões ou gerar legendas para acessibilidade.
As APIs alojadas faturam normalmente por minuto de áudio. No Railwail, os modelos Whisper correm no Replicate e são faturados por tempo de GPU; cada página de modelo mostra o preço de uma execução típica. Alguns fornecedores cobram extras por funcionalidades premium como diarização de oradores, timestamps ao nível da palavra, resumos ou tradução, por isso faça as contas com as funcionalidades que realmente vai ligar.
O compromisso é exatidão, latência e riqueza de funcionalidades. O Whisper Large V3 lidera em word-error-rate bruto nos benchmarks e é open-weights, ou seja, self-hostable. O Deepgram Nova-3 e o AssemblyAI Universal lideram em latência de streaming (sub-300ms ao primeiro token) e em qualidade da diarização. O ElevenLabs Scribe lidera em cobertura multilingue e em code-switching (quando os oradores trocam de língua a meio da frase). Para transcrição em batch, o Whisper costuma ganhar em custo-e-exatidão. Para transcrição de chamadas em tempo real, ganha um fornecedor streaming-first.
Atenção a áudio ruidoso: o word-error-rate duplica grosso modo abaixo de 20 dB de SNR em qualquer modelo, e oradores sobrepostos degradam a diarização mesmo nos flagships. Pré-processe com um modelo de supressão de ruído (RNNoise, Krisp) se a fonte for imprevisível. Atenção também aos nomes próprios: todos os modelos continuam a transcrever mal nomes invulgares, termos técnicos e nomes de marca. A maior parte dos fornecedores aceita uma lista de `keywords` para enviesar o decoder — use-a.
As top picks acima cobrem o modelo mais exato, o cavalo de batalha mais barato, o que suporta áudio mais longo e a opção de streaming mais rápida.
O Whisper Large V3 lidera em word-error-rate nos benchmarks independentes na maior parte das línguas. O Deepgram Nova-3 lidera em inglês com streaming de baixa latência. O AssemblyAI Universal lidera em áudio de call center e de reuniões. Corra uma amostra do seu áudio na página de detalhe do modelo antes de se comprometer.
Não através do Railwail: o endpoint de transcrição processa um ficheiro de áudio completo. Deepgram, AssemblyAI e OpenAI (API Realtime) oferecem transcrição em streaming nas suas próprias APIs; para legendagem e agentes de voz, escolha um serviço com streaming.
As APIs alojadas faturam normalmente por minuto de áudio. No Railwail, os modelos Whisper são faturados por tempo de GPU, com o preço de uma execução típica em cada página de modelo. Funcionalidades premium (diarização, timestamps, tradução) têm por vezes custos adicionais.
O Whisper Large V3 suporta 99 línguas. O ElevenLabs Scribe cobre 100+ com forte code-switching. O Deepgram Nova-3 cobre hoje 40+ com o inglês como mais forte. Para línguas com menor cobertura, corra uma amostra primeiro — a exatidão varia bastante.
Sim na maioria dos flagships — a diarização etiqueta cada segmento com 'Speaker 1', 'Speaker 2', etc. A exatidão depende da qualidade do áudio e de quantas vezes os oradores se sobrepõem. Alguns fornecedores aceitam também áudio de enrollment para identificar oradores nomeados.
Sim — timestamps ao nível da palavra ou do segmento são standard nos tiers flagship. Use o nível palavra para legendagem de vídeo e destaque tipo karaoke; o nível segmento chega para pesquisa em transcrições e resumos de reuniões.
MP3, WAV, M4A, FLAC, OGG e a maioria dos formatos de streaming nativos do browser. Taxas de amostragem de 8 kHz (telefonia) até 48 kHz (estúdio). O tamanho máximo do ficheiro varia — normalmente 25 MB em APIs geridas e ilimitado em Whisper self-hosted.
Sim — o Whisper tem um modo translate incorporado que produz transcrição em inglês a partir de qualquer uma das 99 línguas-fonte suportadas. O ElevenLabs Scribe e alguns outros fornecedores suportam tradução para um conjunto-alvo mais alargado. A exatidão da tradução é inferior à de modelos de tradução dedicados — chega para pesquisa, mas não para publicação.
Todos os modelos disponíveis através de uma API compatível com OpenAI. Créditos pré-pagos em USD, sem assinatura.
