
Precisão do Whisper: como melhorar a qualidade da transcrição
Eric King
Author
Precisão do Whisper: como melhorar a qualidade da transcrição
OpenAI Whisper já está entre os modelos de reconhecimento de fala open source mais precisos, mas várias estratégias permitem maximizar ainda mais a qualidade da transcrição. Este guia reúne dicas práticas, exemplos de código e boas práticas para melhorar a precisão do Whisper nos seus casos de uso.
Ideal para:
- Programadores que otimizam a precisão de transcrição com Whisper
- Criadores que transcrevem podcasts e vídeos
- Investigadores que trabalham com áudio
- Quem procura dicas de precisão do Whisper
O que influencia a precisão do Whisper
Antes de otimizar, convém saber o que importa:
- Qualidade do áudio (o mais importante)
- Tamanho do modelo (escolha)
- Deteção de idioma
- Pré-processamento de áudio
- Parâmetros de configuração
- Duração do áudio e segmentação
Dica 1: Escolha o tamanho de modelo certo
O Whisper oferece cinco tamanhos que equilibram velocidade e precisão de forma diferente:
import whisper
# Model sizes from fastest to most accurate:
# tiny, base, small, medium, large
# For maximum accuracy, use medium or large
model = whisper.load_model("medium") # Best balance
# or
model = whisper.load_model("large") # Maximum accuracy
Guia de escolha do modelo:
| Modelo | Precisão | Velocidade | Use quando |
|---|---|---|---|
| tiny | ⭐⭐ | ⭐⭐⭐⭐⭐ | Testes rápidos, áudio simples |
| base | ⭐⭐⭐ | ⭐⭐⭐⭐ | Uso geral, equilibrado |
| small | ⭐⭐⭐⭐ | ⭐⭐⭐ | Boa precisão, velocidade razoável |
| medium | ⭐⭐⭐⭐⭐ | ⭐⭐ | Alta precisão necessária |
| large | ⭐⭐⭐⭐⭐⭐ | ⭐ | Máxima precisão, áudio ruidoso |
Exemplo de código:
import whisper
def transcribe_with_optimal_model(audio_path, prioritize_accuracy=True):
"""
Select model based on accuracy vs speed priority.
Args:
audio_path: Path to audio file
prioritize_accuracy: True for accuracy, False for speed
"""
if prioritize_accuracy:
model_size = "medium" # or "large" for best accuracy
else:
model_size = "base" # or "small" for balanced
model = whisper.load_model(model_size)
result = model.transcribe(audio_path)
return result
# For critical transcriptions
result = transcribe_with_optimal_model("important_meeting.mp3", prioritize_accuracy=True)
Conclusão: Use
medium ou large quando a precisão for crítica. O custo em velocidade costuma valer a pena para conteúdo importante.Dica 2: Especifique o idioma quando souber
O Whisper pode detetar o idioma automaticamente, mas indicá-lo explicitamente melhora a precisão:
import whisper
model = whisper.load_model("base")
# Auto-detect (less accurate)
result_auto = model.transcribe("audio.mp3")
# Specify language (more accurate)
result_en = model.transcribe("audio.mp3", language="en")
result_zh = model.transcribe("audio.mp3", language="zh")
result_es = model.transcribe("audio.mp3", language="es")
Por que ajuda:
- Menos erros na deteção de idioma
- Melhores resultados para falantes multilingues
- Processamento mais rápido (salta a deteção)
- Melhor tratamento de sotaques e dialetos
Exemplo com deteção de idioma:
import whisper
import langdetect
def transcribe_with_language_detection(audio_path, model_size="base"):
"""
Detect language first, then transcribe with explicit language.
"""
model = whisper.load_model(model_size)
# Quick language detection
result_quick = model.transcribe(audio_path, language=None)
detected_lang = result_quick["language"]
# Re-transcribe with detected language for better accuracy
result = model.transcribe(audio_path, language=detected_lang)
return result
result = transcribe_with_language_detection("audio.mp3")
Dica 3: Pré-processe o áudio antes de transcrever
O pré-processamento pode melhorar bastante a precisão do Whisper:
import whisper
import numpy as np
from scipy.io import wavfile
from scipy import signal
def preprocess_audio(audio_path, output_path):
"""
Preprocess audio to improve transcription accuracy.
"""
# Read audio file
sample_rate, audio = wavfile.read(audio_path)
# Normalize audio (scale to [-1, 1])
if audio.dtype == np.int16:
audio = audio.astype(np.float32) / 32768.0
elif audio.dtype == np.int32:
audio = audio.astype(np.float32) / 2147483648.0
# Remove DC offset
audio = audio - np.mean(audio)
# Normalize volume
max_val = np.max(np.abs(audio))
if max_val > 0:
audio = audio / max_val * 0.95 # Leave headroom
# Resample to 16kHz (Whisper's optimal sample rate)
if sample_rate != 16000:
num_samples = int(len(audio) * 16000 / sample_rate)
audio = signal.resample(audio, num_samples)
sample_rate = 16000
# Save preprocessed audio
wavfile.write(output_path, sample_rate, (audio * 32767).astype(np.int16))
return output_path
# Usage
preprocessed = preprocess_audio("raw_audio.wav", "preprocessed.wav")
model = whisper.load_model("base")
result = model.transcribe(preprocessed)
Passos de pré-processamento:
- Normalizar níveis – volume uniforme
- Remover offset DC – eliminar viés constante
- Reamostrar a 16 kHz – taxa ideal para o Whisper
- Remover silêncio – focar na fala
- Reduzir ruído – limpar o fundo
Dica 4: Definições de temperatura para melhores resultados
O parâmetro
temperature controla a aleatoriedade. Valores mais baixos podem melhorar a precisão:import whisper
model = whisper.load_model("base")
# Default temperature (0.0)
result_default = model.transcribe("audio.mp3")
# Lower temperature for more deterministic results
result_low_temp = model.transcribe(
"audio.mp3",
temperature=0.0, # Most deterministic
best_of=5, # Try multiple decodings, pick best
beam_size=5 # Beam search size
)
Definições de temperatura:
temperature=0.0: Mais determinístico, melhor precisãotemperature=0.2: Pouca aleatoriedade, bom equilíbriotemperature=0.6: Predefinido, equilibrado- Valores altos: mais “criativo”, menos preciso
Boa prática:
def transcribe_with_optimal_settings(audio_path, model_size="base"):
"""
Use optimal settings for maximum accuracy.
"""
model = whisper.load_model(model_size)
result = model.transcribe(
audio_path,
temperature=0.0, # Most deterministic
best_of=5, # Try 5 decodings, pick best
beam_size=5, # Beam search
patience=1.0, # Patience for beam search
condition_on_previous_text=True, # Use context
initial_prompt="This is a conversation about technology." # Context hint
)
return result
Dica 5: Prompt inicial para contexto
Dar contexto sobre o conteúdo melhora a precisão:
import whisper
model = whisper.load_model("base")
# Without context
result_basic = model.transcribe("meeting.mp3")
# With context (much better accuracy)
result_context = model.transcribe(
"meeting.mp3",
initial_prompt="This is a business meeting discussing project timelines and deliverables."
)
# For technical content
result_tech = model.transcribe(
"lecture.mp3",
initial_prompt="This is a computer science lecture about machine learning and neural networks."
)
Quando usar prompts iniciais:
- Conteúdo técnico: incluir termos do domínio
- Nomes e lugares: mencionar nomes próprios importantes
- Sotaques: descrever sotaque ou dialeto
- Contexto: descrever o cenário ou o tema
Exemplo:
def transcribe_with_context(audio_path, context_description):
"""
Transcribe with context for better accuracy.
"""
model = whisper.load_model("medium")
result = model.transcribe(
audio_path,
initial_prompt=context_description,
language="en"
)
return result
# Example usage
result = transcribe_with_context(
"interview.mp3",
"This is an interview with Dr. Sarah Johnson about medical research. "
"The conversation includes technical medical terminology."
)
Dica 6: Trate ficheiros de áudio longos corretamente
Ficheiros muito longos podem reduzir a precisão. Como proceder:
import whisper
from pydub import AudioSegment
import os
def transcribe_long_audio(audio_path, model_size="base", chunk_length_minutes=30):
"""
Transcribe long audio by splitting into optimal chunks.
"""
model = whisper.load_model(model_size)
# Load audio
audio = AudioSegment.from_file(audio_path)
chunk_length_ms = chunk_length_minutes * 60 * 1000
# Split into chunks
chunks = []
for i in range(0, len(audio), chunk_length_ms):
chunks.append(audio[i:i + chunk_length_ms])
# Transcribe each chunk
full_text = []
all_segments = []
for i, chunk in enumerate(chunks):
chunk_path = f"temp_chunk_{i}.wav"
chunk.export(chunk_path, format="wav")
print(f"Transcribing chunk {i+1}/{len(chunks)}")
result = model.transcribe(chunk_path)
# Adjust timestamps for chunk offset
offset = i * chunk_length_ms / 1000.0
for segment in result["segments"]:
segment["start"] += offset
segment["end"] += offset
all_segments.append(segment)
full_text.append(result["text"])
# Clean up
os.remove(chunk_path)
# Combine results
combined_result = {
"text": " ".join(full_text),
"segments": all_segments,
"language": result["language"]
}
return combined_result
# Usage
result = transcribe_long_audio("long_podcast.mp3", model_size="medium", chunk_length_minutes=30)
Boas práticas para áudio longo:
- Dividir em blocos de 20–30 minutos
- Usar o mesmo tamanho de modelo em todos os blocos
- Manter contexto entre blocos
- Fundir segmentos com marcas temporais corretas
Dica 7: Otimize para áudio ruidoso
O Whisper lida bem com ruído, mas pode melhorar ainda:
import whisper
import noisereduce as nr
import soundfile as sf
import numpy as np
def transcribe_noisy_audio(audio_path, model_size="medium"):
"""
Reduce noise before transcription for better accuracy.
"""
# Load audio
audio, sample_rate = sf.read(audio_path)
# Reduce noise
reduced_noise = nr.reduce_noise(
y=audio,
sr=sample_rate,
stationary=False, # For non-stationary noise
prop_decrease=0.8 # Reduce noise by 80%
)
# Save cleaned audio
cleaned_path = "cleaned_audio.wav"
sf.write(cleaned_path, reduced_noise, sample_rate)
# Transcribe with larger model (better for noisy audio)
model = whisper.load_model(model_size)
result = model.transcribe(cleaned_path)
# Clean up
os.remove(cleaned_path)
return result
# Usage
result = transcribe_noisy_audio("noisy_recording.mp3", model_size="medium")
Com áudio ruidoso:
- Use modelos
mediumoularge - Pré-processe com redução de ruído
- Aumente
best_of - Forneça contexto sobre as condições de ruído
Dica 8: Marcas temporais por palavra para mais controlo
Marcas ao nível da palavra permitem controlo mais fino:
import whisper
model = whisper.load_model("base")
# Get word timestamps
result = model.transcribe(
"audio.mp3",
word_timestamps=True # Enable word-level timestamps
)
# Access word timestamps
for segment in result["segments"]:
print(f"Segment: {segment['text']}")
print(f"Start: {segment['start']:.2f}s, End: {segment['end']:.2f}s")
if "words" in segment:
for word in segment["words"]:
print(f" Word: {word['word']} ({word['start']:.2f}s - {word['end']:.2f}s)")
Casos de uso:
- Legendas: sincronização precisa palavra a palavra
- Correção de erros: localizar palavras problemáticas
- Pesquisa: encontrar palavras na transcrição
- Análise da fala: padrões de fala
Dica 9: Combine várias decodificações
Com
best_of são experimentadas várias decodificações e escolhe-se a melhor:import whisper
model = whisper.load_model("base")
# Single decoding (default)
result_single = model.transcribe("audio.mp3")
# Multiple decodings, pick best (more accurate)
result_best = model.transcribe(
"audio.mp3",
best_of=5, # Try 5 decodings
temperature=(0.0, 0.2, 0.4, 0.6, 0.8) # Different temperatures
)
Compromissos:
- Precisão: maior com várias decodificações
- Velocidade: mais lenta (5× com
best_of=5) - Quando: precisão crítica, velocidade secundária
Dica 10: Pós-processe as transcrições
O pós-processamento corrige erros comuns do Whisper:
import re
import whisper
def post_process_transcript(text):
"""
Fix common transcription errors.
"""
# Fix common contractions
text = re.sub(r"\b(\w+) '(\w+)\b", r"\1'\2", text) # Fix spacing in contractions
# Fix common homophones (add your own)
replacements = {
"there": "their", # Context-dependent
"its": "it's", # Context-dependent
# Add more based on your domain
}
# Capitalize sentences
sentences = re.split(r'([.!?]\s+)', text)
capitalized = []
for i, sentence in enumerate(sentences):
if sentence.strip():
capitalized.append(sentence[0].upper() + sentence[1:] if len(sentence) > 1 else sentence.upper())
else:
capitalized.append(sentence)
return "".join(capitalized)
# Usage
model = whisper.load_model("base")
result = model.transcribe("audio.mp3")
processed_text = post_process_transcript(result["text"])
Exemplo completo: otimização de precisão pronta para produção
Exemplo que combina várias dicas de precisão:
import whisper
import os
from pathlib import Path
def transcribe_with_maximum_accuracy(
audio_path,
model_size="medium",
language=None,
context_prompt=None,
output_format="txt"
):
"""
Transcribe audio with maximum accuracy using best practices.
Args:
audio_path: Path to audio file
model_size: Whisper model size (medium or large recommended)
language: Language code (None for auto-detect)
context_prompt: Initial prompt for context
output_format: Output format (txt, json, srt)
"""
# Load model (medium or large for best accuracy)
print(f"Loading Whisper model: {model_size}")
model = whisper.load_model(model_size)
# Prepare transcription parameters
transcribe_kwargs = {
"temperature": 0.0, # Most deterministic
"best_of": 5, # Try multiple decodings
"beam_size": 5, # Beam search
"patience": 1.0,
"condition_on_previous_text": True,
"word_timestamps": True, # Get word-level timestamps
}
# Add language if specified
if language:
transcribe_kwargs["language"] = language
# Add context prompt if provided
if context_prompt:
transcribe_kwargs["initial_prompt"] = context_prompt
# Transcribe
print(f"Transcribing: {audio_path}")
result = model.transcribe(audio_path, **transcribe_kwargs)
# Post-process
result["text"] = post_process_transcript(result["text"])
# Save result
base_name = Path(audio_path).stem
output_path = f"{base_name}_transcript.{output_format}"
if output_format == "txt":
with open(output_path, "w", encoding="utf-8") as f:
f.write(result["text"])
elif output_format == "json":
import json
with open(output_path, "w", encoding="utf-8") as f:
json.dump(result, f, indent=2, ensure_ascii=False)
print(f"✓ Transcription saved: {output_path}")
print(f" Language: {result['language']}")
print(f" Duration: {result['segments'][-1]['end']:.2f}s")
return result
# Example usage
result = transcribe_with_maximum_accuracy(
audio_path="important_meeting.mp3",
model_size="medium",
language="en",
context_prompt="This is a business meeting discussing quarterly results and project updates.",
output_format="txt"
)
Comparação de precisão: antes e depois da otimização
Efeitos típicos da otimização:
| Otimização | Melhoria de precisão | Impacto na velocidade |
|---|---|---|
| Tamanho do modelo (base → medium) | +15–20% | −50% |
| Especificação de idioma | +5–10% | +10% (mais rápido) |
| Prompt inicial | +5–15% | Sem impacto |
| Temperature=0.0 | +2–5% | Sem impacto |
| best_of=5 | +3–8% | −80% (5× mais lento) |
| Pré-processamento de áudio | +10–20% | Mínimo |
Combinadas, as melhorias podem aumentar a precisão em 30–50% face às predefinições.
Resumo de boas práticas
Para máxima precisão:
- ✅ Modelo
mediumoularge - ✅ Idioma explícito
- ✅ Contexto com
initial_prompt - ✅
temperature=0.0para resultados determinísticos - ✅
word_timestampspara saída detalhada - ✅ Pré-processar áudio ruidoso
- ✅ Dividir ficheiros longos
- ✅
best_of=5para conteúdo crítico
Para equilíbrio velocidade/precisão:
- ✅ Modelo
smalloubase - ✅ Deteção automática de idioma
- ✅ Temperatura predefinida
- ✅ Sem
best_of - ✅ Ficheiros com pré-processamento mínimo
Erros comuns
❌ Modelo tiny para conteúdo importante
Correção: Pelo menos
base, de preferência small ou medium❌ Não especificar o idioma
Correção: Especifique sempre que souber
❌ Ignorar o contexto
Correção: Use
initial_prompt para conteúdo especializado❌ Predefinições com muito ruído
Correção: Modelos maiores e pré-processamento
❌ Ficheiros muito longos de uma vez
Correção: Segmentos de 20–30 minutos
Resolução de problemas de precisão
Problema: Baixa precisão em termos técnicos
Solução:
result = model.transcribe(
"technical_audio.mp3",
initial_prompt="This audio contains technical terminology related to machine learning, neural networks, and deep learning."
)
Problema: Má precisão com sotaques
Solução:
# Use larger model
model = whisper.load_model("medium")
# Provide accent context
result = model.transcribe(
"accented_audio.mp3",
initial_prompt="This speaker has a British accent.",
language="en"
)
Problema: Erros em nomes próprios
Solução:
# Include names in initial prompt
result = model.transcribe(
"interview.mp3",
initial_prompt="This interview features Dr. Sarah Johnson and Professor Michael Chen discussing research."
)
Conclusão
Melhorar a precisão do Whisper é fazer as escolhas certas:
- Modelo:
mediumoulargepara conteúdo crítico - Configuração: temperatura e decodificação ótimas
- Contexto: informação de domínio
- Pré-processamento: áudio limpo antes de transcrever
- Pós-processamento: corrigir erros comuns automaticamente
Pontos-chave:
- O tamanho do modelo tem o maior impacto
- Especificar o idioma melhora muito os resultados
- Prompts de contexto ajudam em conteúdo especializado
- Várias decodificações (
best_of) aumentam a precisão mas abrandam - A qualidade do áudio continua a ser o fator principal
Com estas dicas pode alcançar qualidade de transcrição comparável ou superior a serviços comerciais, com controlo total dos dados e do fluxo de trabalho.
Pronto para melhorar a precisão do Whisper? Passe a um modelo maior e especifique o idioma — verá melhorias de imediato!