Transcrição com Whisper
Padrões prontos para produção para transcrição de áudio/vídeo usando OpenAI Whisper.
Requisitos do Sistema
Opções de Instalação
Opção 1: OpenAI Whisper (Python)
# macOS/Linux/Windows
pip install openai-whisper
# Verificar
whisper --help
Opção 2: whisper.cpp (C++ - mais rápido)
# macOS
brew install whisper-cpp
# Linux - compilar a partir do código fonte
git clone https://github.com/ggerganov/whisper.cpp
cd whisper.cpp && make
# Windows - usar binários pré-compilados ou compilar com cmake
Opção 3: Insanely Fast Whisper (acelerado por GPU)
pip install insanely-fast-whisper
Seleção de Modelo
| Modelo | Tamanho | VRAM | Precisão | Velocidade | Caso de Uso |
|---|---|---|---|---|---|
| tiny | 39M | ~1GB | Baixa | Mais rápida | Visualizações rápidas |
| base | 74M | ~1GB | Média | Rápida | Rascunhos de transcrição |
| small | 244M | ~2GB | Boa | Média | Uso geral |
| medium | 769M | ~5GB | Melhor | Lenta | Transcrições de qualidade |
| large-v3 | 1550M | ~10GB | Máxima | Mais lenta | Produção final |
Recomendação: Comece com small para equilíbrio entre velocidade e qualidade. Use large-v3 para entrega final.
Transcrição Básica
Usando OpenAI Whisper
# Transcrição básica (detecção automática de idioma)
whisper audio.mp3 --model small
# Especificar idioma e formato de saída
whisper audio.mp3 --model medium --language en --output_format srt
# Múltiplos formatos de saída
whisper audio.mp3 --model small --output_format all
# Com timestamps e temporização em nível de palavra
whisper audio.mp3 --model small --word_timestamps True
Usando whisper.cpp
# Baixar o modelo primeiro
./models/download-ggml-model.sh base.en
# Transcrever
./main -m models/ggml-base.en.bin -f audio.wav -osrt
# Com timestamps
./main -m models/ggml-base.en.bin -f audio.wav -ocsv
Formatos de Saída
SRT (Legenda SubRip)
1
00:00:01,000 --> 00:00:04,500
Olá e bem-vindo a este vídeo.
2
00:00:05,000 --> 00:00:08,200
Hoje discutiremos edição de vídeo.
VTT (WebVTT)
WEBVTT
00:00:01.000 --> 00:00:04.500
Olá e bem-vindo a este vídeo.
00:00:05.000 --> 00:00:08.200
Hoje discutiremos edição de vídeo.
JSON (com temporização em nível de palavra)
{
"text": "Olá e bem-vindo a este vídeo.",
"segments": [
{
"id": 0,
"start": 1.0,
"end": 4.5,
"text": " Olá e bem-vindo a este vídeo.",
"words": [
{"word": "Olá", "start": 1.0, "end": 1.3},
{"word": "e", "start": 1.4, "end": 1.5},
{"word": "bem-vindo", "start": 1.6, "end": 2.0},
{"word": "a", "start": 2.1, "end": 2.2},
{"word": "este", "start": 2.3, "end": 2.5},
{"word": "vídeo", "start": 2.6, "end": 3.0}
]
}
]
}
Extração de Áudio para Transcrição
Antes de transcrever vídeo, extraia o áudio em formato ideal:
# Extrair áudio como WAV (16kHz, mono - ideal para Whisper)
ffmpeg -i video.mp4 -ar 16000 -ac 1 -c:a pcm_s16le audio.wav
# Extrair como WAV de alta qualidade para arquivamento
ffmpeg -i video.mp4 -vn -c:a pcm_s16le audio.wav
# Extrair como MP3 compactado (menor, ainda funciona)
ffmpeg -i video.mp4 -vn -c:a libmp3lame -q:a 2 audio.mp3
Sincronização de Tempo
Converter JSON do Whisper para Temporização do FCP
import json
def whisper_to_fcp_timing(whisper_json_path, fps=24):
"""Converte a saída JSON do Whisper para temporização compatível com FCP."""
with open(whisper_json_path) as f:
data = json.load(f)
segments = []
for seg in data.get("segments", []):
segments.append({
"start_time": seg["start"],
"end_time": seg["end"],
"start_frame": int(seg["start"] * fps),
"end_frame": int(seg["end"] * fps),
"text": seg["text"].strip(),
"words": seg.get("words", [])
})
return segments
Temporização Precisão de Quadro
# Obter contagem exata de quadros e duração
ffprobe -v error -count_frames -select_streams v:0 \
-show_entries stream=nb_read_frames,duration,r_frame_rate \
-of json video.mp4
Diarização de Falantes
Para conteúdo com múltiplos falantes, use pyannote.audio:
pip install pyannote.audio
from pyannote.audio import Pipeline
pipeline = Pipeline.from_pretrained("pyannote/[email protected]")
diarization = pipeline("audio.wav")
for turn, _, speaker in diarization.itertracks(yield_label=True):
print(f"{turn.start:.1f}s - {turn.end:.1f}s: {speaker}")
Processamento em Lote
#!/bin/bash
# Transcrever todos os vídeos no diretório
MODEL="small"
OUTPUT_DIR="transcripts"
mkdir -p "$OUTPUT_DIR"
for video in *.mp4 *.mov *.avi; do
[[ -f "$video" ]] || continue
base="${video%.*}"
# Extrair áudio
ffmpeg -i "$video" -ar 16000 -ac 1 -c:a pcm_s16le "/tmp/${base}.wav" -y
# Transcrever
whisper "/tmp/${base}.wav" --model "$MODEL" \
--output_format all \
--output_dir "$OUTPUT_DIR"
# Limpar áudio temporário
rm "/tmp/${base}.wav"
echo "Transcrito: $video"
done
Otimização de Qualidade
Melhorar Precisão
- Redução de ruído antes da transcrição:
ffmpeg -i noisy_audio.wav -af "highpass=f=200,lowpass=f=3000,afftdn=nf=-25" clean_audio.wav
- Usar dica de idioma:
whisper audio.mp3 --language en --model medium
- Fornecer prompt inicial para contexto:
whisper audio.mp3 --initial_prompt "Discussão técnica sobre software de edição de vídeo."
Dicas de Performance
- Aceleração por GPU (se disponível):
whisper audio.mp3 --model large-v3 --device cuda
- Processar em partes para vídeos longos:
# Dividir áudio em partes de 10 minutos
# Transcrever cada parte
# Mesclar resultados com ajuste de deslocamento de tempo
Tratamento de Erros
# Validar arquivo de áudio antes da transcrição
validate_audio() {
local file="$1"
if ffprobe -v error -select_streams a:0 -show_entries stream=codec_type -of csv=p=0 "$file" 2>/dev/null | grep -q "audio"; then
return 0
else
echo "Erro: Nenhum fluxo de áudio encontrado em $file"
return 1
fi
}
# Verificar instalação do Whisper
check_whisper() {
if command -v whisper &> /dev/null; then
echo "Whisper disponível"
return 0
else
echo "Erro: Whisper não instalado. Execute: pip install openai-whisper"
return 1
fi
}
Habilidades Relacionadas
- ffmpeg-core - Extração e pré-processamento de áudio
- final-cut-pro - Importar transcrições como títulos/marcadores