whisper_streaming
Transcrição e tradução em streaming em tempo real para modelos Whisper.
Transforme o OpenAI Whisper em um sistema de fala para texto e tradução de baixa latência.
O whisper-streaming fornece transcrição e tradução de fala em tempo real, construindo uma política de acordo local e latência auto-adaptativa sobre os modelos Whisper. É adequado para desenvolvedores e tecnólogos que constroem pipelines de processamento de áudio ao vivo para eventos multilíngues.
O que é
A ferramenta processa fala longa não segmentada usando múltiplos backends como faster-whisper, whisper-timestamped, OpenAI API ou Whisper MLX. Ela implementa detecção de atividade de voz, políticas de divisão em blocos (chunking) e estratégias opcionais de corte de buffer para manter a latência em torno de 3.3 segundos.
Para quem
É adequado para desenvolvedores que integram transcrição em tempo real em aplicações ou transmissões de conferências ao vivo. Não é adequado para usuários finais que procuram um aplicativo de desktop pronto para uso sem configuração de linha de comando.
Recursos principais
Múltiplos Backends
Suporta faster-whisper, whisper-timestamped, OpenAI API e backends MLX para Apple Silicon.
Detecção de Atividade de Voz
Integra VAD opcional e controladores de atividade de voz usando PyTorch.
Corte de Buffer
Oferece opções de corte de buffer em nível de segmento ou frase para gerenciar latência e qualidade.
Simulação em Tempo Real
Inclui scripts para simular streaming ao vivo diretamente de arquivos WAV mono locais de 16kHz.
Pronto em 3 passos
Nosso veredito honesto
Pontos fortes
- Atinge baixa latência em torno de 3.3 segundos em fala longa não segmentada.
- Escolha flexível de backend, incluindo opções aceleradas por GPU e Apple Silicon local.
- Controladores e detectores opcionais de atividade de voz reduzem a sobrecarga de processamento.
- Suporte integrado para tarefas de tradução ao vivo juntamente com a transcrição.
Onde deixa a desejar
- Observe que o projeto foi sucedido pelo SimulStreaming em 2025.
- Requer configuração técnica de ambientes Python, bibliotecas de áudio e drivers de GPU opcionais.
- O uso do backend da OpenAI API gera custos contínuos de API por requisição que escalam com o tamanho do bloco.
Preços & licença
Gratuito sob a licença MIT. Se você optar por usar o backend da OpenAI API, precisará pagar à OpenAI pelos custos de acesso à API com base no seu uso.
Vagas para quem fala português
874 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
Quais backends são suportados?
Ele suporta faster-whisper, whisper-timestamped, OpenAI API e Whisper MLX para Apple Silicon.
É necessário uma GPU?
Recomenda-se uma GPU com suporte a CUDA para o faster-whisper, mas você também pode usar Apple Silicon MLX ou o backend da OpenAI API.
Como ele lida com a latência?
Ele usa uma política de acordo local com latência auto-adaptativa e tamanho mínimo de bloco para processar áudio em tempo real.
