Modelos de Transcrição Open Source vs Proprietários em 2026

Os Tradeoffs Reais

Se você transcreve menos de 10.000 minutos por mês, uma API proprietária quase sempre supera o self-hosting do Whisper em custo total. Os pesos do modelo open-source são gratuitos, mas o compute de GPU não é, e o tempo de engenharia para rodar isso em produção raramente também é. Acima desse volume, a matemática vira rápido, e o caso para self-hosting fica genuinamente convincente.

A questão de 2026 não é ideológica. Os dois ecossistemas estão maduros. A resposta útil mora em quatro dimensões: custo no seu volume real, precisão no seu áudio real, quanta tolerância a latência você tem, e quanta complexidade operacional seu time consegue absorver. Este post aborda cada uma com honestidade.

O Que Cada Lado Realmente Inclui

O Lado Open-Source

A stack de reconhecimento de fala open-source tem três camadas principais que valem a pena conhecer:

• OpenAI Whisper e suas versões sucessivas até a Large-v3. Os pesos do modelo têm licença MIT. Você roda na sua própria infraestrutura, paga só pelo compute, e mantém o áudio nos seus servidores.
• Implementações mais rápidas como faster-whisper (backend CTranslate2), whisper.cpp (porta em C++), e MLX Whisper (Apple Silicon). Elas rodam os mesmos pesos do Whisper com throughput 4-6x melhor e cerca de metade da VRAM. A quantização INT8 do faster-whisper reduz o uso de VRAM em mais 40% com perda de precisão desprezível.
• Modelos open adjacentes: as famílias Parakeet e Canary do NVIDIA NeMo, o Distil-Whisper do Hugging Face (um derivado do Whisper mais rápido e menor), e o SenseVoice para tarefas multilíngues. O ecossistema ao redor do Whisper agora é uma plataforma, não só um modelo.

Para um olhar mais profundo sobre como a arquitetura do Whisper funciona de verdade, veja Whisper Large-v3 explicado.

O Lado Proprietário

APIs proprietárias vendem a mesma capacidade sem o trabalho de implantação:

• Deepgram Nova-3: atualmente entre os mais rápidos para batch e streaming, com preço aproximado de US$ 0,0043 por minuto para áudio pré-gravado (pague conforme o uso) e US$ 0,0048 por minuto para streaming. O plano de crescimento com cobrança anual reduz ainda mais ambos os valores. Veja Deepgram Nova-3 explicado para um detalhamento completo.
• OpenAI Whisper API: Large-v3 hospedado a US$ 0,006 por minuto. Integração mais simples do que qualquer rota self-hosted, com a fila mais lenta e a sobrecarga de agendamento que a hospedagem gerenciada implica.
• AssemblyAI Universal-2: US$ 0,15 por hora (US$ 0,0025/min) para transcrição básica, com complementos para diarização (+US$ 0,02/hora), detecção de entidades e sumarização precificados separadamente. Note que, a partir de 1º de julho de 2026, o preço na região aumentou 10%; usar "model_region": "global" nas requisições da API evita esse aumento.
• AWS Transcribe: US$ 0,024 por minuto no nível padrão (0 a 250 mil minutos/mês), caindo em quatro faixas de volume até US$ 0,0078/min em 5 milhões+ minutos. Análises médicas e de call center custam mais.
• Google Cloud STT v2 (modelo Chirp): US$ 0,016 por minuto no padrão, com processamento em lote e dinâmico disponível a US$ 0,003 por minuto para cargas de trabalho sem restrição de tempo. O Google cobra em incrementos de 15 segundos arredondados para cima, o que importa para clipes curtos.

Precisão: Números de Benchmark vs. Realidade de Produção

A coisa mais enganosa nesse espaço é uma tabela simples de WER sem contexto. Todo sistema importante é competitivo nos benchmarks acadêmicos. O desempenho no mundo real varia muito mais.

Whisper Large-v3 atinge 2,7% de WER no LibriSpeech test-clean, um conjunto de dados controlado de fala lida. Em gravações mistas do mundo real, o mesmo modelo fica em torno de 7-8% de WER, subindo para 17% ou mais em áudio telefônico de baixa qualidade. O Deepgram Nova-3, nos benchmarks de produção da própria Deepgram (2.703 arquivos em nove domínios), mostra uma mediana de 5,26% de WER em lote e 6,84% em streaming, embora os benchmarks publicados pelo fornecedor usem conjuntos de dados selecionados.

O contexto muda o vencedor:

• Áudio ruidoso/telefônico: o Deepgram Nova-3 tem uma vantagem consistente aqui. Modelos proprietários, treinados pesadamente com dados de call center, lidam melhor com áudio de telefone do que o Whisper, que foi otimizado em um corpus multilíngue amplo.
• Idiomas de baixos recursos e fala com sotaque: o Whisper Large-v3, treinado com 680.000 horas de áudio multilíngue, lida melhor com sotaques desconhecidos e code-switching do que a maioria das APIs proprietárias. Para entender por que essa diferença persiste, veja por que a IA tem dificuldade com idiomas de baixos recursos.
• Áudio longo: o Whisper tem uma tendência conhecida de alucinar durante silêncios longos. APIs proprietárias lidam com o chunking e a detecção de silêncio na camada de infraestrutura, então isso efetivamente não é problema seu.
• Diarização de falantes: todos os sistemas lidam com isso de forma imperfeita. Deepgram e AssemblyAI investem especificamente na camada de diarização sobre seus modelos base. Autohospedar o Whisper significa integrar Pyannote ou NeMo separadamente. Veja diarização de falantes explicada para entender como funciona.

Minha opinião: se o seu áudio é de reunião ou podcast com qualidade clara em um idioma mainstream, a diferença de precisão entre qualquer opção séria é pequena o bastante para que custo e complexidade operacional guiem a decisão. Se o seu áudio é de qualidade telefônica, com sotaque ou multilíngue, teste todos os candidatos com uma amostra real antes de se comprometer.

Custo: o ponto de equilíbrio aparece em torno de 10.000 minutos por mês

A tabela mais importante deste post. Custos de API proprietária versus self-hosted em três volumes, usando o preço de pré-gravação do Deepgram Nova-3 (~$0,0043/min) e um custo realista de self-hosting na RunPod (A100 a partir de ~$1,29/hora):

O piso de GPU é o ponto-chave. Uma instância de GPU persistente custa dinheiro, esteja ela transcrevendo ou não. Em volume baixo, você paga principalmente pelo tempo ocioso. Em volume alto, você distribui esse custo fixo por trabalho suficiente para que a taxa efetiva por minuto fique bem abaixo de qualquer API.

O ponto de equilíbrio depende de quão eficientemente você empacota o trabalho na GPU. Com filas e agendamento em lote, uma única A100 com faster-whisper pode processar várias centenas de horas por dia. Se sua carga de trabalho preenche isso, o self-hosting supera qualquer preço proprietário em volume alto. Se ela fica 80% ociosa, você devolveu a vantagem.

Para a comparação completa de preços entre serviços, veja comparação de preços de transcrição 2026.

Latência: onde a API proprietária tem uma vantagem real

O streaming do Deepgram Nova-3 retorna transcrições parciais em 100-300ms. O Whisper não é um modelo inerentemente de streaming; aproximações via whisper-streaming ou WhisperX introduzem mais latência, tipicamente 500-1500ms para resultados parciais. Para legendas em tempo real, transcrição de chamadas ao vivo ou loops de agente de voz, essa é uma diferença significativa.

Para trabalho em lote (reuniões pós-gravação, podcasts, entrevistas), a diferença é menor. O Deepgram processa um arquivo de uma hora em cerca de 2-3 minutos. Uma implantação bem ajustada de faster-whisper numa A100 faz trabalho similar em 4-7 minutos. A API hospedada do OpenAI Whisper é mais lenta que ambos devido à sobrecarga de fila.

Se o seu pipeline roda durante a noite e ninguém está esperando, diferenças de latência são praticamente irrelevantes. Se os usuários estão olhando uma barra de progresso, elas não são.

Complexidade Operacional: O Custo Subestimado

Rodar uma implantação de Whisper em produção significa assumir um conjunto de problemas que uma API gerenciada absorve de forma invisível:

• Provisionamento de GPU: instâncias persistentes custam dinheiro quando ociosas; serverless (RunPod, Modal, Replicate) adiciona latência de cold-start.
• Picos de tráfego: uma rajada de uploads atinge sua fila de GPU de capacidade fixa, não uma API com escala global e folga.
• Manutenção do modelo: upgrades de dependências, compatibilidade de versão CUDA, monitoramento.
• Integração de diarização: Pyannote ou NeMo têm instalação e licenciamento separados.
• Formatação e exportação de saída: SRT, VTT, restauração de pontuação, rótulos de falante. APIs proprietárias retornam tudo isso. Com Whisper auto-hospedado, você constrói do zero.

Na prática, isso adiciona de uma a duas semanas de trabalho inicial de engenharia e uma manutenção contínua significativa. Para uma startup de duas pessoas transcrevendo 1.000 minutos por mês, é um mau uso do tempo. Para uma equipe transcrevendo 500.000 minutos por mês com uma pessoa dedicada a infraestrutura, é só mais uma terça-feira.

O Padrão Híbrido

Muitas implantações em produção roteiam por tipo de trabalho em vez de se comprometer com um único lado:

• API proprietária para o caminho padrão. Rápida, sem manutenção, lida com tráfego imprevisível.
• Auto-hospedado para áudio sensível à privacidade. Qualquer coisa que não deva sair da sua infraestrutura roda localmente.
• Auto-hospedado para lote de alto volume. Jobs em lote durante a noite, onde latência é irrelevante e o volume torna o custo por minuto dominante.

Esse padrão adiciona alguma complexidade operacional, mas deixa que custo e requisitos de conformidade orientem cada trabalho, em vez de forçar uma única troca para todos eles.

Quando Escolher Cada Um

Escolha código aberto (self-hosted) se:

• Você transcreve mais de 10.000 minutos por mês e tem capacidade de engenharia para implantar e manter um pipeline de GPU.
• Requisitos de privacidade impedem que o áudio chegue a servidores de terceiros.
• Você precisa de fine-tuning por domínio: os pesos do Whisper podem ser ajustados abertamente com seus próprios dados rotulados.
• Você quer flexibilidade de idiomas sem sobretaxas por idioma na API.

Escolha uma API proprietária se:

• Você quer transcrição funcionando em horas, não em semanas.
• Seu volume é baixo a moderado e um custo fixo de GPU dominaria o orçamento.
• Você precisa de recursos agrupados: diarização avançada, sumarização, detecção de entidades, modelagem de tópicos.
• Você prefere que um fornecedor assuma a responsabilidade por confiabilidade, disponibilidade e escalabilidade de throughput.

Escolha uma ferramenta gerenciada se:

• Você precisa de um produto pronto, não de uma API: upload, revisão, exportação, pronto.
• Preço fixo previsível importa mais do que otimização por minuto.
• Você quer formatação e edição por cima da transcrição sem precisar construir isso.

Se você quer transcrições limpas sem montar infraestrutura, o ConvertAudioToText cuida do upload até o texto sem exigir conta para arquivos curtos. Ele não finge ser a única opção nesse espaço, mas se encaixa bem na categoria de "produto pronto".

FAQ

O Whisper é tão preciso quanto o Deepgram Nova-3?

Depende do tipo de áudio. Em benchmarks acadêmicos como LibriSpeech, o Whisper Large-v3 atinge 2,7% de WER em inglês limpo. Em produção, com tipos variados de áudio, ambos os sistemas mostram entre 5% e 12% de WER dependendo das condições. O Whisper tem vantagem de precisão em idiomas com poucos recursos e fala com sotaque; o Deepgram Nova-3 tende a se sair melhor em áudio de telefonia e call center.

A partir de qual volume o self-hosting do Whisper começa a economizar dinheiro?

Em algum lugar entre 10.000 e 20.000 minutos por mês, embora o ponto exato de virada dependa de quão eficientemente você empacota o trabalho de GPU. Uma A100 persistente na RunPod (cerca de $1,29/hora) rodando a 80% de capacidade e transcrevendo 50.000 minutos por mês custa aproximadamente $100-200, comparado a cerca de $215 na tarifa base por minuto da Deepgram. Abaixo desse volume, o custo fixo da GPU domina e uma API por minuto sai mais barata.

Posso usar Whisper em uma configuração de streaming em tempo real?

Não diretamente: o Whisper processa áudio em blocos e não é um modelo nativo de streaming. Bibliotecas como whisper-streaming e WhisperX adicionam aproximações de streaming, mas a latência fica entre 500-1500ms para resultados parciais. O streaming da Deepgram Nova-3 retorna parciais em 100-300ms. Para legendagem ao vivo ou agentes de voz, APIs proprietárias de streaming têm uma vantagem prática clara.

Quais são os principais motivos para escolher AssemblyAI em vez de Deepgram?

O preço da AssemblyAI ($0,15/hora base) fica abaixo da tarifa de pré-gravados da Deepgram, e sua camada integrada de pós-processamento (sumarização, detecção de entidades, modelagem de tópicos, análise de sentimento) é um diferencial genuíno. Se seu pipeline precisa de saída estruturada em vez de apenas uma transcrição, a AssemblyAI já entrega esse trabalho embutido. Se você precisa de velocidade máxima ou streaming, a Deepgram leva vantagem.

Hospedar Whisper por conta própria resolve as preocupações de privacidade?

Sim, para a maioria dos modelos de ameaça práticos. Rodar Whisper na sua própria infraestrutura significa que o áudio nunca sai dos seus servidores. Isso importa para gravações legais, médicas ou sensíveis de outras formas. O tradeoff é que você assume a responsabilidade pela segurança dessa infraestrutura. Uma API proprietária gerenciada transfere a preocupação de privacidade da transcrição, mas introduz seus próprios acordos de processamento de dados para revisar.

Fontes

• Página de preços da Deepgram: https://deepgram.com/pricing
• Página de preços da AssemblyAI: https://www.assemblyai.com/pricing
• Preços do AWS Transcribe: https://aws.amazon.com/transcribe/pricing/
• Preços do Google Cloud STT: https://cloud.google.com/speech-to-text/pricing
• Preços da API da OpenAI: https://openai.com/business/pricing/
• Introdução ao Deepgram Nova-3: https://deepgram.com/learn/introducing-nova-3-speech-to-text-api
• GitHub do faster-whisper: https://github.com/SYSTRAN/faster-whisper
• Preços de GPU da RunPod: https://www.runpod.io/pricing