Converter fala em texto offline hoje é algo prático no hardware Apple do dia a dia: o áudio fica no seu dispositivo, gravações longas ficam prontas em segundos ou minutos e não existe cobrança por minuto.
A resposta curta: o melhor software de fala para texto offline para cada plataforma
Se você só quer a resposta: no Mac e no iPhone, use o Whisper Notes — cinco mecanismos de IA locais no Mac e três no iPhone, além do Apple Speech no iOS 26, com pagamento único: $7.99 uma única vez no iPhone (a mesma compra na App Store também libera a versão da Mac App Store); no Mac, 5.000 palavras por semana grátis e depois $14 uma única vez. No Windows, use o Buzz ou o faster-whisper (gratuitos, de código aberto). No Android, as opções ainda são escassas — veja a seção de plataformas mais abaixo. Todas as ferramentas desta tabela funcionam 100% offline:
| Ferramenta | Plataformas | Preço | Instalação | Modelos |
|---|---|---|---|---|
| Whisper Notes | Mac (série M), iPhone | $7.99 uma vez (iPhone); $14 uma vez (Mac), 5.000 palavras/semana grátis | Nenhuma — aplicativo nativo | Parakeet, SenseVoice, Whisper Turbo |
| MacWhisper | Somente Mac | Versão gratuita; Pro por €64 em pagamento único | Nenhuma — aplicativo nativo | Família Whisper |
| Buzz | Windows, Mac, Linux | Gratuito (código aberto) | Instalador; interface básica | Família Whisper |
| faster-whisper / whisper.cpp | Windows, Mac, Linux | Gratuito (código aberto) | Linha de comando | Família Whisper |
| Ditado da Apple | Integrado ao iPhone/Mac | Gratuito | Nenhuma | Modelo da Apple no dispositivo; só ditados curtos |
O resto deste guia explica o porquê — por que a transcrição local ganha em latência, custo e privacidade, com números reais de benchmark — e mostra como transcrever áudio para texto offline, passo a passo.
Fala para texto offline no Windows e no Android
O Whisper Notes foi construído para Apple Silicon, então funciona apenas no Mac e no iPhone. Em outras plataformas, as opções atuais são:
Windows: o Whisper Notes só existe para Mac e iPhone, então as melhores opções gratuitas são o Buzz (uma interface gráfica simples para o Whisper) e o faster-whisper (linha de comando, várias vezes mais rápido que a implementação de referência no mesmo hardware). Os dois funcionam totalmente offline depois que o modelo é baixado. Espere mais atrito de instalação do que em um aplicativo nativo — ambientes Python, arquivos de modelo, drivers de GPU se você quiser velocidade.
Android: o whisper.cpp tem ports para Android e alguns aplicativos construídos em torno dele, mas a qualidade e a manutenção variam. Ainda não existe no Android um aplicativo de transcrição offline polido e consolidado — veja o status do Whisper Notes para Android para saber como estão as coisas.
Muita gente procura “Whisper Notes Windows” porque quer o mesmo modelo offline, de compra única, num PC. Não estamos desenvolvendo nenhuma, e preferimos dizer isso com clareza a deixar a pergunta em aberto (a explicação completa está na página Whisper Notes para Windows). O Whisper Notes é rápido graças aos chips da Apple no iPhone e no Mac; os PCs com Windows e os celulares Android não têm um equivalente padrão único.
O problema da latência
O circuito da transcrição na nuvem: você fala, o áudio sobe para um servidor, a API processa e os resultados voltam.
Transcrição local: toda essa latência desaparece. O áudio nunca sai do seu dispositivo, o processamento acontece no próprio aparelho e os resultados aparecem na hora. Sem upload, sem espera, sem aquele indicador de “processando” girando.
A transcrição em tempo real também funciona offline no iPhone. Com o modelo Parakeet integrado, o Whisper Notes mostra suas palavras na tela enquanto você fala, em 25 idiomas europeus, incluindo o português, sem conexão com a internet; com os outros modelos, que cobrem idiomas como chinês e japonês, o texto aparece quando você para a gravação.
Os iPhones recentes e os Macs com Apple Silicon são rápidos o bastante para rodar modelos de fala no próprio aparelho. A transcrição local usa um hardware que você já tem, em vez de esperar por um upload e por uma resposta remota.
Em 2019, a transcrição na nuvem fazia sentido. Seu celular não conseguia rodar uma rede neural com um bilhão de parâmetros. Essa limitação acabou. Um M4 Pro roda o modelo Parakeet integrado a cerca de 74× o tempo real: uma hora de áudio em menos de um minuto, sem enviar nada.
A transcrição na nuvem ainda faz sentido para colaboração ao vivo e fluxos de trabalho centralizados. Para uma gravação privada de que só você precisa, o upload muitas vezes é desnecessário.
Você já pagou pelo chip
Um Mac com chip M ou um iPhone recente fica ocioso a maior parte do dia, e consegue rodar esses modelos.
Você já pagou por esse chip quando comprou o aparelho, e uma assinatura para transcrever áudio nos servidores de outra empresa é pagar pela segunda vez por um poder de processamento que você já tem.
Essa troca fazia sentido quando a inferência local era de fato impossível. Hoje ela é mais difícil de defender.
Uma assinatura na nuvem é cobrada todo mês; o Whisper Notes custa $7.99 uma única vez na App Store, e o app para Mac do nosso site é grátis até 5.000 palavras por semana ou custa $14 uma única vez. O que a assinatura de fato compra são legendas ao vivo e edição compartilhada; se você não precisa de nenhuma das duas, está pagando por um poder de processamento que já é seu.
Não cobramos assinatura porque não operamos servidores. Seu áudio nunca toca a nossa infraestrutura. Não há nada para faturar todo mês.
Vazamentos de dados são uma questão de arquitetura
Quando você usa um serviço de transcrição na nuvem, seu áudio mora nos servidores de outra pessoa. Qualquer servidor que guarda áudio pode vazá-lo, por um ataque, por um erro de configuração ou por um funcionário com acesso, e vazamentos acontecem de verdade.
Dados de voz carregam um risco único. Ao contrário de uma senha, a sua voz não pode ser redefinida. Seus padrões vocais são identificadores biométricos permanentes. Uma vez vazados, ficam comprometidos para sempre. Invasores podem usar impressões vocais para burlar sistemas de autenticação, cometer fraude de identidade ou gerar deepfakes.
A única forma de eliminar esse risco é eliminar o upload. Um áudio que nunca sai do seu dispositivo não pode fazer parte de um vazamento no servidor — é esse o argumento inteiro.
Pense em quem grava áudio sensível:
- Advogados gravando consultas com clientes
- Terapeutas documentando sessões com pacientes
- Jornalistas protegendo suas fontes
- Executivos registrando discussões estratégicas
- Médicos anotando históricos de pacientes
Para esses profissionais, onde o áudio fica armazenado é uma pergunta que eles precisam saber responder. A transcrição local não é uma preferência. É um requisito.
A precisão e seus trade-offs
O que o Whisper local faz melhor: transcrição literal. Se você precisa de um registro exato do que foi dito — cada palavra, cada pausa, cada “hum” — os modelos Whisper locais se destacam. Com áudio limpo em inglês, a taxa de erro de palavra fica em torno de 5-8% (Open ASR Leaderboard); ruído e sotaques fazem ela subir. A transcrição é fiel ao que foi falado.
O que um modelo de linguagem acrescenta: resumos e extração. Um modelo local como o Gemma, que o Whisper Notes roda no app para Mac do nosso site, transforma uma transcrição em um resumo e em uma lista de tarefas. Modelos grandes na nuvem ainda raciocinam melhor sobre transcrições longas e bagunçadas; para “me diga quais decisões foram tomadas” depois de uma reunião de duas horas, eles são a ferramenta mais forte.
O trade-off é real. Se o seu fluxo de trabalho é “transcrever → resumir com o Claude/GPT”, você fica com o melhor dos dois mundos: uma transcrição local exata e um resumo inteligente na nuvem. O áudio bruto permanece privado. Só o texto que você decidir compartilhar sai do seu dispositivo.
A IA local não resolve todas as partes do fluxo de trabalho. Modelos de voz são bons em transcrever; modelos de linguagem são melhores em resumir e raciocinar sobre o resultado. Mantenha o áudio local e depois escolha um modelo de linguagem local ou na nuvem de acordo com a sensibilidade do texto.
| Tarefa | Melhor ferramenta | Por quê |
|---|---|---|
| Transcrição literal | Whisper local | Privacidade, velocidade, precisão |
| Resumo de reuniões | LLM local (Gemma, app para Mac do nosso site) ou LLM na nuvem, sobre a transcrição | Compreensão contextual |
| Extração de tarefas | LLM local (Gemma, app para Mac do nosso site) ou LLM na nuvem, sobre a transcrição | Raciocínio semântico |
| Colaboração em tempo real | Serviço na nuvem (Otter etc.) | Coordenação multiusuário |
Números de velocidade reais
A escolha do modelo muda o resultado mais do que a palavra “local” sugere. O Whisper Notes roda os três no Mac e no iPhone, e você escolhe o mecanismo nos Ajustes; o Parakeet é o padrão rápido para inglês e idiomas europeus, o SenseVoice é a opção rápida para chinês, japonês, coreano e cantonês, e o Whisper Large-v3 Turbo (Mac) / Whisper Small (iPhone) oferece a cobertura mais ampla, com mais de 100 idiomas.
| Dispositivo e modelo | Áudio de teste | Tempo de processamento | Ideal para |
|---|---|---|---|
| M4 Pro — Parakeet V3 (início de 2026) | Podcast em inglês de 5 minutos | 2,91 s — 103× o tempo real | Inglês e idiomas europeus |
| M4 Pro — SenseVoice | Podcast em chinês de 27 min | 13,83 s | Chinês, japonês, coreano, cantonês |
| M4 Pro — Whisper Turbo | Podcast em chinês de 27 min | 2 min 4 s | A cobertura de idiomas mais ampla |
Método: Whisper Notes em um Apple M4 Pro com 32 GB de RAM, tempo de relógio do início da transcrição até o texto final. A linha do Parakeet V3 vem do nosso artigo sobre o Parakeet V3: um podcast em inglês de 5 minutos no início de 2026, antes de o Parakeet Ultra virar o modelo integrado (hoje, cerca de 74× o tempo real no app); o SenseVoice e o Whisper usaram o mesmo podcast em chinês de 27 minutos. São testes de produto, não benchmarks comparativos entre provedores de nuvem. O teste do podcast de 27 minutos foi feito em uma versão anterior do app; hoje a ficha do modelo SenseVoice indica 115–131× o tempo real, praticamente o mesmo.
No iPhone, o Parakeet transcreve cinco minutos de áudio em cerca de 3 segundos, tanto em um iPhone 12 mini de 2020 quanto em um iPhone 15; o Whisper leva cerca de 38 segundos para os mesmos cinco minutos em um iPhone 12 mini, e iPhones mais novos são mais rápidos. Tudo funciona em modo avião, porque nada é enviado.
Como transcrever áudio para texto offline (passo a passo)
No Mac:
- Baixe o Whisper Notes para Mac (grátis até 5.000 palavras por semana, sem necessidade de conta).
- Escolha um modelo nos Ajustes: Parakeet para velocidade em inglês, SenseVoice para velocidade em chinês, japonês, coreano ou cantonês (no Mac, o Qwen3-ASR 1.7B erra menos em chinês, coreano e cantonês, e o Whisper Large V3 Turbo em japonês), Whisper Large V3 Turbo para mais de 100 idiomas. O Parakeet já vem embutido; qualquer outro modelo é baixado uma vez e depois funciona offline.
- Grave diretamente ou arraste qualquer arquivo de áudio ou vídeo (MP3, WAV, M4A, MP4).
- Para reuniões online, ative a detecção de reuniões. Zoom, Teams e Google Meet são detectados automaticamente; o áudio do sistema e o seu microfone são capturados juntos, e a transcrição fica no seu Mac.
- O texto vai aparecendo enquanto é processado. Exporte como TXT, SRT ou VTT, ou copie para onde quiser. Um vídeo importado abre em um espaço de legendas onde você pode ver e editar as legendas antes de exportar.
No iPhone: instale o Whisper Notes pela App Store, grave ou importe do app Gravador e do app Arquivos, e a transcrição roda no próprio iPhone. Ative o modo avião antes se quiser a prova de que nada é enviado. Para automatizar, a ação “Transcrever arquivo de áudio” do app Atalhos recebe um arquivo de áudio e devolve o texto.
Como construímos isso
O Whisper Notes é a nossa implementação desses princípios. Algumas decisões concretas que valem destaque:
Widgets na Tela Bloqueada
As melhores ideias chegam nos momentos mais inconvenientes. Criamos widgets para a Tela Bloqueada para que um toque na Tela Bloqueada abra o app e inicie a gravação offline, sem checar a conexão. Processamento local significa disponibilidade instantânea. No Apple Watch, um toque começa a gravar; a gravação é enviada para o seu iPhone quando ele está por perto e transcrita quando você abre o Whisper Notes.
Gravando pela Tela Bloqueada.
Modelos adaptados ao hardware
Os Macs têm folga térmica e energia de sobra. Os iPhones vivem no seu bolso. Os dois rodam as mesmas três famílias de modelos, cada uma ajustada ao seu hardware: o modelo Parakeet integrado (o padrão; o Parakeet Ultra da Moondream, pós-treinado a partir do NVIDIA Parakeet V3), o Whisper Large-v3 Turbo (809 milhões de parâmetros, Mac) / Whisper Small (iPhone) e o SenseVoice. No iOS 26 e no macOS 26 também há o Apple Speech. As mesmas garantias de privacidade, com uso de recursos adequado.
Seus dados, seus arquivos
As transcrições são arquivos no seu dispositivo. No Mac, cada transcrição é salva como arquivo Markdown (.md) ao lado do áudio, com um cabeçalho YAML (data, origem, duração), na pasta que você escolher; aponte para um cofre do Obsidian e cada gravação vira uma nota. Sem banco de dados proprietário, sem dependência de fornecedor. Se o Whisper Notes desaparecesse amanhã, suas gravações continuariam acessíveis. Exportação em massa não é um recurso premium — é o estado natural de dados que pertencem a você.
Exportação para Markdown no Mac: um cabeçalho curto e depois cada fala com o nome de quem falou e o horário.
Vocabulário personalizado
Jargão técnico, nomes incomuns, termos específicos da sua área — o vocabulário que mais precisa de uma transcrição exata costuma ser justamente o que você menos quer enviar para fora. Uma lista de nomes e termos orienta os modelos Whisper, e as substituições de palavras corrigem um nome ou uma grafia com qualquer modelo. Tudo fica no dispositivo, e a sua terminologia não vira dado de treinamento.
O vocabulário no Mac com o Parakeet: as substituições de palavras e uma prévia do resultado. A lista de nomes e termos aparece quando um modelo Whisper está selecionado.
Dicionário personalizado no iPhone: nomes e termos que orientam o modelo Whisper, e substituições de palavras que valem para todos os modelos.
Quando a nuvem funciona melhor
Não vamos fingir que a transcrição local é universalmente melhor. A nuvem tem vantagens genuínas:
Colaboração em equipe em tempo real. Cinco pessoas editando uma transcrição ao mesmo tempo durante uma reunião exigem coordenação em um servidor. Ferramentas locais são, por natureza, de um único usuário.
Identificação de falantes em grande escala. A rotulagem de falantes no dispositivo chegou — o Whisper Notes rotula “quem disse o quê” numa gravação já terminada, quando você roda a detecção de falantes, inteiramente no dispositivo, no iPhone e no Mac. A diarização em escala de nuvem ainda mantém vantagem em grupos muito grandes e com falas muito sobrepostas, mas em entrevistas a dois e reuniões pequenas os rótulos gerados no dispositivo já são precisos o bastante para usar: em 122 gravações públicas, o número de falantes estava certo em 80% delas e cerca de 1% da fala foi atribuído à pessoa errada (nossa página sobre detecção de falantes).
Automação de fluxos de trabalho. Os serviços na nuvem se conectam a CRMs, extraem tarefas e mandam resumos para o Slack. Ferramentas locais produzem arquivos de texto — o que você faz com eles é manual.
Hardware mais antigo. iPhones anteriores ao A14 (mais antigos que o iPhone 12) são lentos demais para transcrever no próprio aparelho. Em um Mac com Intel, só a versão da Mac App Store do Whisper Notes pode ser instalada, sem SenseVoice, Qwen3-ASR, Apple Speech nem a transcrição ao vivo rápida; o app para Mac do nosso site exige um Mac com Apple silicon. O whisper.cpp, de código aberto, também roda localmente em um Mac com Intel.
Se a sua principal necessidade é colaboração em equipe durante reuniões ao vivo, as ferramentas na nuvem provavelmente são melhores. Se você transcreve principalmente as próprias gravações e privacidade importa, o processamento local é a melhor escolha.
A trajetória
Cada geração de chip roda esses modelos mais rápido. Cada iteração dos modelos traz mais eficiência. A distância entre local e nuvem encurta, enquanto as vantagens de privacidade e latência permanecem constantes.
A transcrição na nuvem fazia sentido enquanto os celulares não conseguiam rodar os modelos. Desde mais ou menos 2022, conseguem.
A transcrição local já funciona no hardware da Apple. As únicas razões que restam para pagar uma assinatura são legendas ao vivo e edição compartilhada, e se nenhuma das duas está na sua lista, não existe uma terceira.
Detalhes técnicos
Requisitos do dispositivo: iOS 18 ou posterior (recomenda-se um iPhone 12 ou mais recente) ou um Mac com Apple Silicon.
Modelos: Parakeet para 25 idiomas europeus, SenseVoice Small para chinês, japonês, coreano e cantonês, e Whisper (Large V3 Turbo no Mac, Small no iPhone) para mais de 100 idiomas. As três famílias de mecanismos rodam localmente no Mac e no iPhone, assim como o Apple Speech no iOS 26 e no macOS 26; no Mac há ainda o Qwen3-ASR 1.7B (Beta) para 30 idiomas.
Velocidade: Parakeet: cerca de 74× o tempo real em um Mac. SenseVoice: podcast em chinês de 27 min em 14 segundos (em uma versão anterior do app; hoje a ficha do modelo indica 115–131× o tempo real, praticamente o mesmo). Whisper Turbo: 35 min em ~3 minutos.
IA local no app para Mac do nosso site: ative os recursos de IA e o modelo local Gemma resume uma gravação, sugere um título e responde perguntas sobre uma transcrição, sem nenhuma API na nuvem.
Preço: $7.99 uma única vez no iPhone. No Mac, 5.000 palavras por semana grátis e depois $14 uma única vez.
Tradução de fala offline: o que a IA local pode e não pode fazer
Uma pergunta relacionada aparece com frequência: a IA local consegue traduzir fala, e não só transcrever? Parcialmente. O modelo original Whisper Large V3 foi treinado em duas tarefas — transcrição e tradução de qualquer idioma para o inglês. Rodando localmente, ele consegue pegar um áudio em francês, japonês ou árabe e produzir texto em inglês, totalmente offline. Duas ressalvas: ele só traduz para o inglês (não na direção contrária), e isso vale para o modelo Large V3 completo — a variante mais rápida Large-v3 Turbo abandonou a tarefa de tradução para se especializar em transcrição.
A tradução de fala offline ainda está no começo. Não existe um aplicativo de consumo amplamente adotado que iguale a tradução voz a voz em tempo real dos serviços na nuvem permanecendo totalmente offline. O fluxo prático hoje tem dois passos: transcrever localmente e depois traduzir o texto resultante com uma ferramenta em que você confie. O áudio original nunca precisa sair do seu dispositivo.
Perguntas frequentes
É possível transcrever sem conexão com a internet?
Sim. O Whisper Notes é um software de transcrição offline que funciona inteiramente no seu dispositivo. Todos os modelos de IA — Parakeet, SenseVoice e Whisper, mais o Qwen3-ASR 1.7B (Beta) no Mac — processam o áudio localmente, no seu Mac ou iPhone. Seu áudio e suas transcrições nunca são enviados, e nenhum servidor participa da transcrição. Você pode comprovar isso ativando o modo avião.
O OpenAI Whisper funciona offline?
Sim. A OpenAI publicou o Whisper como modelo de código aberto, o que significa que ele pode rodar localmente no seu hardware. O Whisper Notes roda o Whisper Large V3 Turbo no seu Mac — sem Python, sem linha de comando, sem internet. Ele suporta mais de 100 idiomas com reconhecimento de fala offline. Para uma análise aprofundada da família de modelos, veja nosso guia de transcrição com Whisper.
O Whisper Notes está disponível para Windows ou Android?
Não, e não estamos desenvolvendo nenhuma. O Whisper Notes funciona no Mac (série M) e no iPhone (12 ou posterior). No Windows, as alternativas são o faster-whisper (linha de comando) ou o Buzz (interface gráfica); no Android, os apps baseados em whisper.cpp. O Whisper Notes é rápido graças aos chips da Apple no iPhone e no Mac; os PCs com Windows e os celulares Android não têm um equivalente padrão único.
Existe um aplicativo de transcrição offline gratuito?
No iPhone, o Whisper Notes custa $7.99 uma única vez, e a mesma compra na App Store também libera a versão da Mac App Store. No Mac é grátis até 5.000 palavras por semana e depois custa $14 uma única vez. Nenhuma das versões tem assinatura.
Como o Whisper Notes se compara ao MacWhisper ou ao faster-whisper?
O MacWhisper é um frontend do Whisper somente para Mac. O faster-whisper é uma ferramenta de linha de comando. O Whisper Notes inclui o Parakeet, o SenseVoice e o Whisper no Mac e no iPhone, além de ditado com a tecla Fn no app para Mac do nosso site e captura pela Tela Bloqueada no iPhone. Custa $7.99 uma única vez no iPhone; no Mac, 5.000 palavras por semana grátis e depois $14 uma única vez.
Qual é o melhor software de fala para texto offline?
Depende da plataforma. O Whisper Notes oferece cinco mecanismos locais no Mac e três no iPhone, além do Apple Speech no iOS 26, com pagamento único: $7.99 uma única vez no iPhone; no Mac, 5.000 palavras por semana grátis e depois $14 uma única vez. No Windows ou Linux, o Buzz (interface gráfica) e o faster-whisper (linha de comando) são gratuitos e de código aberto. O ditado integrado do sistema dá conta de notas curtas, mas não foi pensado para gravações longas.
Posso converter áudio em texto offline de graça?
Sim. O Whisper Notes para Mac é grátis até 5.000 palavras por semana, e ferramentas de código aberto como o whisper.cpp, o faster-whisper e o Buzz são completamente gratuitas em qualquer plataforma desktop. Também existem serviços gratuitos na nuvem, mas eles enviam o seu áudio — o que anula o propósito, se foi por privacidade que você pesquisou “offline”.
Posso rodar o Whisper como API local com o LocalAI?
Sim. O LocalAI é um servidor de API de código aberto compatível com a OpenAI que consegue servir modelos whisper.cpp, então você pode hospedar no seu próprio hardware um substituto direto dos endpoints de transcrição na nuvem. É uma boa opção para desenvolvedores construindo pipelines offline. Se você quiser os mesmos modelos sem configurar servidor nenhum, o Whisper Notes os roda como aplicativo nativo no Mac e no iPhone.
