Transcrição local ou na nuvem: para onde vai a sua voz

A transcrição local transforma a sua voz em texto no seu próprio computador: o modelo é descarregado uma vez e o áudio nunca sai da máquina. A transcrição na nuvem carrega o áudio para um servidor, que devolve o texto. A diferença que conta é o que acontece à sua voz depois do envio, e isso depende inteiramente dos termos do fornecedor.

Abaixo: como funcionam as duas, o que três grandes fornecedores de nuvem dizem fazer ao seu áudio e o que ganha e perde com cada uma.

Porque é importante nos vídeos para clientes

As legendas tornam um vídeo mais fácil de seguir sem som e mais fácil de percorrer. Para as criar, algo tem de ouvir tudo o que disse: o nome do cliente, o orçamento que explicou, o bug no checkout dele.

Com um serviço na nuvem, esse áudio vai para a app que usa e muitas vezes para um fornecedor de transcrição por trás dela. Com a transcrição local, fica no seu Mac. Num tutorial público a diferença pode não importar. Num vídeo sobre o projeto de um cliente, sob um acordo de confidencialidade ou sob o RGPD, pode importar.

Como funciona a transcrição na nuvem

Os passos são os mesmos em qualquer serviço:

1. A app carrega o áudio (ou o vídeo inteiro) para um servidor.
2. Um modelo de reconhecimento de voz nesse servidor converte-o em texto.
3. O texto volta e a app junta-o ao seu vídeo.

O que acontece ao áudio depois do passo 3 é onde os fornecedores diferem. Eis o que três grandes fornecedores dizem na sua própria documentação:

Fornecedor	Usado para treinar modelos?	Guardado depois?
API da OpenAI, transcrição de áudio	✗ Não, a menos que adira à partilha de dados	✗ Sem conservação para monitorização de abusos nem do estado da aplicação neste endpoint
Google Cloud Speech-to-Text	✗ Só se aderir ao programa de registo de dados	✗ Por omissão não regista áudio nem transcrições dos clientes
Amazon Transcribe (AWS)	~ Os serviços de IA da AWS podem usar conteúdos para melhorar o serviço, incluindo treino de modelos, a menos que recuse	~ Pode ser guardado, eventualmente noutra região da AWS, a menos que recuse

Retirado da documentação de cada fornecedor, consultada em novembro de 2026. As definições e os termos podem mudar.

Daqui resultam duas coisas. Primeiro, «nuvem» não é uma coisa só: o mesmo áudio pode ser tratado de formas muito diferentes consoante quem o processa. Segundo, normalmente não lida diretamente com estes fornecedores. A app de gravação que usa escolhe um, e os seus termos e a sua lista de subcontratantes dizem-lhe qual. O Loom, por exemplo, diz que a sua transcrição recorre aos modelos GPT da OpenAI e Gemini da Google, a um Whisper alojado pela própria empresa e ao fornecedor de transcrição Speechmatics, que a sua lista de subcontratantes mostra com localização nos EUA. Vemos os pormenores em Loom e RGPD.

Como funciona a transcrição local

A transcrição local corre o mesmo tipo de modelo, mas no seu computador:

1. A app descarrega um modelo de reconhecimento de voz uma vez.
2. Quando grava, o modelo corre no processador do seu Mac e transforma o áudio em texto.
3. Nada é carregado para a transcrição. Funciona offline.

No Mac há duas famílias de modelos locais habituais.

Whisper

O Whisper é um modelo de reconhecimento de voz de uso geral lançado pela OpenAI, com o código e os pesos do modelo sob a licença MIT. A OpenAI descreve como foi treinado num artigo científico publicado com o modelo. Como os pesos são públicos, as apps podem incluí-lo e corrê-lo localmente. Para ver como funciona na prática, leia executar o Whisper no Mac.

Existe em vários tamanhos, e a escolha é um equilíbrio entre velocidade e precisão. O repositório oficial indica:

Modelo	Parâmetros	Memória necessária (aprox.)	Velocidade relativa
tiny	39 M	1 GB	cerca de 10x
base	74 M	1 GB	cerca de 7x
small	244 M	2 GB	cerca de 4x
medium	769 M	5 GB	cerca de 2x
large	1550 M	10 GB	1x
turbo	809 M	6 GB	cerca de 8x

Retirado do repositório oficial openai/whisper, consultado em novembro de 2026. Velocidade relativa ao large.

O repositório refere que o turbo é uma versão mais rápida do large-v3 com uma perda de precisão pequena, e que as versões só em inglês dos modelos mais pequenos costumam sair-se melhor em inglês.

O framework Speech da Apple

O framework Speech da Apple oferece reconhecimento no dispositivo há anos. Na API mais antiga, SFSpeechRecognizer, uma app pode definir requiresOnDeviceRecognition para impedir que um pedido envie áudio pela rede, com uma ressalva da própria Apple: os pedidos feitos no dispositivo não são tão precisos. Se essa opção não estiver definida, algumas línguas podem precisar de ligação à internet.

Com o macOS 26, a Apple acrescentou o SpeechAnalyzer e o SpeechTranscriber. Os seus modelos são descarregados uma vez dos servidores da Apple, geridos pelo sistema e partilhados entre apps, por isso uma segunda app que precise da mesma língua não volta a descarregá-lo.

O que ganha e o que perde

	Local	Nuvem
A sua voz fica no seu computador	✓	✗ Carregada para a app, muitas vezes também para um fornecedor
Livre dos termos de outra empresa	✓	✗ Aplicam-se os termos deles, que podem mudar
Funciona offline	✓ Depois do primeiro descarregamento	✗
Pronta à primeira utilização	✗ Descarregamento único do modelo; modelos maiores, descarregamentos maiores	✓ Nada para descarregar
Velocidade	Depende do seu Mac e do tamanho do modelo	Depende do tempo de envio e da carga do servidor
Precisão	~ Boa para voz clara; os modelos mais pequenos erram mais	Os grandes modelos podem sair-se melhor com ruído, sotaques e jargão
Bateria e calor	~ Usa o processador enquanto corre	✓ Leve para o seu dispositivo, mas precisa de um envio

Na maioria dos vídeos para clientes (uma voz, um microfone razoável, uma sala silenciosa) a diferença de precisão é pequena. Os modelos na nuvem ainda levam vantagem no áudio difícil: várias pessoas a falar ao mesmo tempo, ruído de fundo, muito jargão. Seja qual for a opção, um microfone melhor ajuda qualquer modelo. O nosso guia sobre como adicionar legendas a uma gravação de ecrã no Mac cobre o lado prático.

O que significa à luz do RGPD

Uma gravação da sua voz, e a transcrição do que disse, são dados pessoais sempre que se referem a uma pessoa identificável. Carregá-las para um fornecedor de transcrição torna esse fornecedor subcontratante, o que implica um contrato, um lugar no seu registo e, se estiver fora da UE, um mecanismo de transferência. A transcrição local não elimina as suas outras obrigações, mas tira um subcontratante da cadeia. Explicamos os papéis em RGPD e vídeos para clientes, e a página do nosso gravador de ecrã compatível com o RGPD mostra como o JustRec trata cada passo.

Qual escolher

Escolha a transcrição local quando o áudio fala de clientes, contratos ou algo sob acordo de confidencialidade, quando os seus clientes estão na UE e perguntam para onde vão os dados, ou quando trabalha muitas vezes offline.

Escolha a nuvem quando o conteúdo já é público (um tutorial para o seu site), quando o áudio é difícil e a precisão conta mais do que tudo, ou quando precisa de funcionalidades que correm sobre a transcrição na nuvem, como resumos com IA.

Muita gente vai acabar por usar as duas. O importante é saber qual delas uma app usa antes de lá gravar o orçamento do cliente.

As legendas também são o que faz um vídeo ser visto no telemóvel num escritório silencioso: mais sobre isso em legendas para vídeos vistos sem som.