Início › O que é transcrição local?

Guia

O que é transcrição local (no dispositivo)?

Transcrição local é a conversão de fala em texto feita no seu próprio computador, por um modelo que roda no seu hardware, sem que o áudio seja enviado a um servidor. Também aparece como transcrição on-device, no dispositivo ou offline — são a mesma coisa.

Transcrição local e transcrição em nuvem: onde está a diferença

A diferença não está na qualidade do texto, e sim em onde o processamento acontece. Uma ferramenta de nuvem grava o seu áudio, envia esse arquivo pela internet para um servidor remoto, reconhece a fala lá e devolve o texto — quase sempre guardando uma cópia do áudio e da transcrição na conta que você criou. Uma ferramenta local carrega o modelo de reconhecimento na sua própria máquina e faz a decodificação ali mesmo, do começo ao fim.

Na prática, isso muda três coisas do dia a dia: você não precisa de conexão, não precisa de conta e não existe uma segunda cópia da gravação num lugar que você não controla.

Onde o seu áudio fica depois

Essa é a pergunta que quase ninguém faz antes de subir um arquivo, e é a que importa. Num serviço de nuvem, o áudio e a transcrição passam a existir em pelo menos dois lugares: no seu computador e no servidor. A partir daí a resposta depende inteiramente da política daquele fornecedor — por quanto tempo guarda, se guarda também os arquivos apagados, se usa o material para melhorar os próprios modelos, quem dentro da empresa consegue abrir. Você pode ler o contrato, mas não pode verificar.

Na transcrição local não há essa segunda cópia para gerenciar. O arquivo de áudio e o texto ficam no disco da sua máquina, sujeitos ao backup, à criptografia de disco e às permissões que você já usa. É uma diferença de arquitetura, não de promessa: se o áudio nunca é enviado, não existe retenção a discutir.

Um cuidado honesto aqui: rodar localmente descreve o caminho do dado, e nada mais. Se você precisa avaliar o tratamento de dados pessoais em uma organização — LGPD, política interna, contrato com cliente — leve a arquitetura para o seu jurídico ou DPO e deixe que eles concluam. Nenhum app decide isso por você.

Por que isso só ficou viável agora

Reconhecimento de fala moderno é uma rede neural grande. Até pouco tempo atrás, rodar um modelo desses em tempo razoável exigia uma GPU de servidor — por isso o modelo de negócio virou nuvem por padrão, não por escolha de privacidade. O que mudou foi o hardware do laptop.

Nos Macs com Apple Silicon, a GPU integrada e o Neural Engine compartilham memória com a CPU, o que elimina o gargalo de copiar áudio e pesos de um lado para o outro. Um modelo de fala de bom tamanho passa a caber na memória de uma máquina comum e a decodificar mais rápido que o tempo real. É por isso que um app de transcrição local hoje devolve o texto de uma reunião de uma hora em poucos minutos, sem ventilador ligado o tempo todo — algo que anos atrás não existia fora de um data center.

A qualidade cai por ser local?

Não de forma perceptível na maior parte das tarefas. Os modelos que rodam na GPU do Apple Silicon são os mesmos tipos de modelo multilíngue usados nos serviços online, e para ditado, entrevistas, aulas e reuniões o resultado é comparável. O que muda a qualidade de verdade não é nuvem contra local — é a gravação: microfone ruim, sala com eco, duas pessoas falando por cima uma da outra e áudio muito baixo derrubam qualquer sistema.

Onde a nuvem ainda pode levar vantagem: modelos gigantes de última geração, dicionários de termos corporativos treinados sob medida e transcrição colaborativa em equipe. Se o seu fluxo depende disso, vale saber que a escolha existe. Para o caso comum — você, um Mac e uma gravação que não deveria circular —, o processamento local resolve.

Local, offline e privado não são sinônimos

Os três termos costumam aparecer juntos, mas dizem coisas diferentes, e vale separar antes de comparar ferramentas. Local descreve onde o cálculo acontece. Offline descreve se a tarefa funciona sem conexão — um app pode ser local e ainda assim exigir que você faça login uma vez por semana para validar a licença. Privado é uma conclusão, não uma característica: depende do que o app faz com o resultado depois, se coleta telemetria e o que você mesmo faz com o arquivo.

Na hora de avaliar qualquer ferramenta, a pergunta que resolve as três de uma vez é simples e verificável: ligo o modo avião e ela continua transcrevendo? Se sim, o áudio não foi a lugar nenhum. Se não, alguma etapa saiu da sua máquina — e aí cabe perguntar qual.

O que dá para fazer localmente

• Ditado no sistema todo — falar em vez de digitar em qualquer app, acionado por um atalho.
• Transcrição de arquivos — MP3, M4A, WAV e vídeos que já estão no disco.
• Gravação e transcrição de chamadas — capturando o áudio do sistema e o microfone ao mesmo tempo.
• Separação de falantes — marcar quem falou em cada trecho, também sem servidor.

Vale a mesma regra de sempre quando outras pessoas entram na gravação: no Brasil, a lei trata de forma diferente a gravação feita por um dos participantes e a captação feita por quem está de fora da conversa — mas isto é informação geral, não orientação jurídica; ainda assim, avise os participantes no início — é boa prática e muitas empresas exigem em política interna.

Como fazer transcrição local em um Mac

O Lesskeys é um app de Mac construído inteiramente em torno do processamento local: ditado por atalho, transcrição de arquivos e gravação de chamadas com identificação de quem falou, tudo no próprio computador. São 99 idiomas com detecção automática, e nada do áudio é enviado para lugar nenhum — dá para desligar o Wi-Fi e continuar usando.

Requisitos: macOS 13 (Ventura) ou mais recente e um Mac com Apple Silicon (M1 ou mais recente), que é obrigatório — Macs com processador Intel não rodam o app. Baixar é grátis, e o Pro é liberado por uma compra única de US$ 49,99 dentro do app, sem assinatura. O download gratuito inclui uma cota inicial: 5 minutos de ditado por dia e 10 transcrições no total — 5 de áudio e 5 de vídeo. Gravar nunca é limitado, e retranscrever não consome cota. O Pro remove os limites. Se você quer entender a mecânica por trás, veja como funciona o reconhecimento de voz offline.

Perguntas frequentes

Veja também