RealtimeSTT
Biblioteca de transcrição de voz de baixa latência com detecção de atividade de voz e palavras de ativação.
Construa assistentes de voz, ferramentas de ditado e servidores de streaming com código mínimo.
RealtimeSTT é uma biblioteca Python que oferece detecção de atividade de voz, transcrição rápida e ativação por palavra de ativação. É ideal para desenvolvedores que criam aplicações de voz interativas ou servidores de streaming personalizados.
O que é
A biblioteca captura fluxos de áudio, detecta fala usando VAD do WebRTC ou Silero e transcreve áudio por meio de motores como faster-whisper ou sherpa-onnx. Ela suporta detecção opcional de palavra de ativação por meio do Porcupine ou OpenWakeWord e inclui um servidor FastAPI de produção empacotado.
Para quem
É adequada para desenvolvedores Python que constroem interfaces de voz locais, softwares de ditado ou backends de streaming para navegador. Não é adequada para equipes que buscam pilhas não Python ou configurações sem dependências, pois requer drivers de áudio e modelos pesados de aprendizado de máquina.
Recursos principais
Detecção de Atividade de Voz
Detecta fala automaticamente usando WebRTC VAD e Silero VAD.
Ativação por Palavra de Ativação
Suporta acionamento opcional por palavra de ativação via Porcupine ou OpenWakeWord.
Suporte a Múltiplos Motores
Executa em faster-whisper, sherpa-onnx, Moonshine e outros backends selecionáveis.
Servidor FastAPI de Produção
Inclui um servidor remoto opcional com endpoints HTTP versionados e WebSocket.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Fornece entrada direta de microfone ou blocos de áudio externos alimentados por aplicação.
- Inclui um servidor FastAPI de produção empacotado com isolamento de sessão e autenticação.
- Suporta pipelines de streaming otimizados para CPU usando modelos sherpa-onnx.
- Oferece retornos de chamada (callbacks) de eventos para gravação, VAD, texto em tempo real e estados de palavra de ativação.
Onde deixa a desejar
- Requer dependências de sistema específicas da plataforma, como cabeçalhos PortAudio no Linux e macOS.
- Modelos pesados de aprendizado de máquina exigem recursos locais de computação significativos ou hardware de GPU.
- Python 3.13 e versões mais recentes ainda não são alvos de lançamento suportados.
Preços & licença
Gratuito sob sua licença MIT. Não há opções hospedadas pagas mencionadas no repositório, portanto o único custo é executar o hardware e os modelos por conta própria.
Vagas para quem fala português
873 vagas remotas abertas de treinamento de IA, atualizadas em 15 de novembro de 2026; a maioria paga $20–$170 por hora. 8 delas pedem falantes de português. O Zekai lista de graça; a candidatura vai para a plataforma do empregador.
Alternativas
Use, ou deixe que a gente configure
FAQ
Como posso fornecer áudio de um arquivo externo ou stream em vez de um microfone?
Inicialize o gravador com `use_microphone=False` e forneça blocos PCM mono de 16-bit usando `feed_audio()`.
Posso executar o RealtimeSTT em um servidor de produção apenas com CPU?
Sim, o README recomenda emparelhar sherpa-onnx-nemotron para hipóteses ao vivo com sherpa-onnx-nemo-parakeet para transcrições finais na CPU.
