Requisitos de áudio do Whisper: guia completo de formatos suportados e especificações

---

Formatos de áudio suportados

Formatos de áudio

Formato	Extensão	Observações
WAV	.wav	✅ Preferencial, sem perdas
MP3	.mp3	✅ Muito comum
FLAC	.flac	✅ Sem perdas, boa compressão
M4A	.m4a	✅ Formato Apple, codec AAC
AAC	.aac	✅ Compressão de alta qualidade
OGG	.ogg	✅ Formato open source
OPUS	.opus	✅ Baixa latência, adequado à web
WMA	.wma	⚠️ Menos comum
AMR	.amr	⚠️ Baixa qualidade, gravações telefônicas

Formatos de vídeo (extração de áudio)

Formato	Extensão	Observações
MP4	.mp4	✅ Formato de vídeo mais comum
AVI	.avi	✅ Formato antigo, ainda suportado
MKV	.mkv	✅ Contêiner
MOV	.mov	✅ QuickTime
WebM	.webm	✅ Vídeo web
FLV	.flv	⚠️ Flash legado

---

Requisitos de taxa de amostragem

Taxa ideal: 16 kHz

Taxas suportadas

Taxa de entrada	Processamento no Whisper	Recomendação
8 kHz	Reamostrado para 16 kHz	✅ Chamadas, aceitável
16 kHz	Usado diretamente	✅ Ótimo, sem reamostragem
22,05 kHz	Reamostrado para 16 kHz	✅ Boa qualidade
44,1 kHz	Reamostrado para 16 kHz	✅ Qualidade de CD, ok
48 kHz	Reamostrado para 16 kHz	✅ Áudio profissional, ok
96 kHz	Reamostrado para 16 kHz	⚠️ Desnecessário, arquivos maiores

Boa prática

# Convert audio to 16 kHz before processing (optional optimization)
import ffmpeg

def convert_to_16khz(input_file, output_file):
    stream = ffmpeg.input(input_file)
    stream = ffmpeg.output(
        stream,
        output_file,
        acodec='pcm_s16le',
        ac=1,  # Mono
        ar=16000  # 16 kHz
    )
    ffmpeg.run(stream, overwrite_output=True)

---

Requisitos de profundidade de bits

Profundidades suportadas

Profundidade	Status	Observações
8 bits	✅ Suportada	Baixa qualidade, não recomendada
16 bits	✅ Recomendada	Padrão, suficiente
24 bits	✅ Suportada	Profissional, arquivos maiores
32 bits float	✅ Suportada	Qualidade de estúdio, excesso em muitos casos

---

Configuração de canais: mono vs. estéreo

Mono (recomendado)

• Arquivos menores
• Processamento mais rápido
• Sem necessidade de mixagem de canais
• Ideal para um único falante

• Gravações com um falante
• Chamadas telefônicas
• Podcasts com um apresentador
• A maioria das tarefas de transcrição

Estéreo (suportado)

• Falantes em canais separados (raro)
• Gravação original em estéreo (conversão automática)

import ffmpeg

# Convert stereo to mono
stream = ffmpeg.input('stereo_audio.wav')
stream = ffmpeg.output(
    stream,
    'mono_audio.wav',
    ac=1  # Mono channel
)
ffmpeg.run(stream, overwrite_output=True)

---

Limites de tamanho de arquivo

Limites práticos

Tamanho	Tempo de processamento	Recomendação
< 10 MB	Segundos	✅ Ideal
10–100 MB	Minutos	✅ Bom
100–500 MB	10–30 minutos	⚠️ Considere fragmentar
> 500 MB	30+ minutos	⚠️ Deve fragmentar

Memória

• Modelo base: ~1–2 GB VRAM
• Modelo small: ~2–3 GB VRAM
• Modelo medium: ~5–6 GB VRAM
• Modelo large: ~10–12 GB VRAM

---

Limites de duração

Duração recomendada

Duração	Status	Observações
< 30 minutos	✅ Ótimo	Processar diretamente
30–60 minutos	✅ Bom	Pode exigir fragmentação
1–2 horas	⚠️ Fragmentação recomendada	Frequentemente mais preciso em partes
> 2 horas	⚠️ Deve fragmentar	Necessário para estabilidade

Por que fragmentar áudio longo?

1. Limites de memória: Evita erros de falta de memória
2. Melhor precisão: Partes menores preservam melhor o contexto
3. Processamento mais rápido: Paralelização possível
4. Recuperação de falhas: Se uma parte falhar, outras podem ter sucesso

# Split long audio into 30-60 second chunks with 5-10 second overlap
def chunk_audio(audio_path, chunk_length=60, overlap=5):
    # Implementation: split audio into segments
    # Process each chunk separately
    # Merge results with timestamps
    pass

---

Requisitos de qualidade de áudio

Padrões mínimos

Fator	Mínimo	Ótimo
Relação sinal-ruído	> 10 dB	> 20 dB
Taxa de bits (MP3)	≥ 64 kbps	≥ 128 kbps
Nível de volume	Audível	Normalizado para −3 dB
Ruído de fundo	Mínimo	Nenhum
Eco/reverberação	Mínimos	Nenhum

Lista de verificação de qualidade

• ✅ Fala clara: Falantes audíveis e compreensíveis
• ✅ Pouco ruído: O fundo não cobre a fala
• ✅ Volume consistente: Sem mudanças bruscas
• ✅ Sem clipping: Sem distorção ou saturação
• ✅ Bom microfone: Equipamento adequado

---

Requisitos de codec

Codecs recomendados

Codec	Formato	Qualidade	Recomendação
PCM	WAV	Sem perdas	✅ Melhor para precisão
FLAC	FLAC	Sem perdas	✅ Excelente, comprimido
AAC	M4A, MP4	Alta	✅ Muito bom
MP3	MP3	Com perdas	✅ Bom a ≥128 kbps
OGG Vorbis	OGG	Com perdas	✅ Boa qualidade
OPUS	OPUS	Com perdas	✅ Bom, baixa latência

Boas práticas de codec

• Use PCM (WAV) ou FLAC (sem perdas)

• Use AAC ou MP3 a ≥128 kbps (excelentes resultados)

• MP3 com taxa muito baixa (< 64 kbps)
• Formatos muito comprimidos
• Codecs telefônicos (AMR, G.711) salvo necessidade

---

Recomendações de pré-processamento

Antes de transcrever

1. Normalizar volume

import numpy as np
from scipy.io import wavfile

def normalize_audio(audio_path, output_path, target_dB=-3.0):
    sr, audio = wavfile.read(audio_path)
    audio = audio.astype(np.float32)
    
    # Normalize to target dB
    max_val = np.max(np.abs(audio))
    target_linear = 10 ** (target_dB / 20)
    audio = audio * (target_linear / max_val)
    
    # Clip to prevent overflow
    audio = np.clip(audio, -1.0, 1.0)
    
    wavfile.write(output_path, sr, (audio * 32767).astype(np.int16))

2. Remover silêncio

# Remove leading/trailing silence
# Helps with processing time and accuracy

3. Redução de ruído (opcional)

# Use noise reduction libraries
# librosa, noisereduce, or specialized tools
# Only if background noise is significant

4. Reamostrar para 16 kHz (opcional)

import ffmpeg

stream = ffmpeg.input('input.wav')
stream = ffmpeg.output(
    stream,
    'output_16k.wav',
    ar=16000  # Resample to 16 kHz
)
ffmpeg.run(stream, overwrite_output=True)

---

Problemas comuns de áudio e soluções

Problema 1: Taxa de amostragem muito baixa (8 kHz)

• Use o modelo medium ou large do Whisper (melhor em taxas baixas)
• Faça upsample para 16 kHz (não restaura qualidade, ajuda no processamento)

Problema 2: Estéreo com falantes diferentes

# Extract each channel separately
import torchaudio

audio, sr = torchaudio.load('stereo.wav')
speaker1 = audio[0]  # Left channel
speaker2 = audio[1]  # Right channel

# Transcribe each separately
result1 = model.transcribe(speaker1)
result2 = model.transcribe(speaker2)

Problema 3: MP3 com taxa variável

• Converta para taxa constante (CBR) ou WAV
• O Whisper lida bem com VBR; CBR é mais previsível

Problema 4: Arquivos de áudio corrompidos

# Re-encode the file
import ffmpeg

stream = ffmpeg.input('corrupted.mp3')
stream = ffmpeg.output(
    stream,
    'fixed.wav',
    acodec='pcm_s16le'
)
ffmpeg.run(stream, overwrite_output=True)

Problema 5: Arquivos de áudio muito longos

• Divida em partes de 30–60 segundos
• Processe em série ou em paralelo
• Una resultados com carimbos de data/hora

---

Recomendações por cenário

Para chamadas telefônicas

Parâmetro	Valor	Motivo
Taxa de amostragem	8–16 kHz	Qualidade telefônica
Formato	WAV ou MP3	Padrão
Taxa de bits	≥ 64 kbps	Qualidade do codec
Canais	Mono	Padrão em chamadas

Para reuniões (Zoom, Teams)

Parâmetro	Valor	Motivo
Taxa de amostragem	16–48 kHz	Alta qualidade
Formato	MP4 (extrair áudio)	Vídeo
Taxa de bits	≥ 128 kbps	Boa qualidade
Canais	Mono ou estéreo	Depende da configuração

Para podcasts

Parâmetro	Valor	Motivo
Taxa de amostragem	44,1–48 kHz	Qualidade profissional
Formato	MP3, WAV ou M4A	Comuns
Taxa de bits	≥ 128 kbps	Boa qualidade
Canais	Mono	Padrão

Para entrevistas

Parâmetro	Valor	Motivo
Taxa de amostragem	16–48 kHz	Alta qualidade
Formato	WAV ou FLAC	Máxima precisão
Taxa de bits	Sem perdas ou ≥ 192 kbps	Profissional
Canais	Mono	Padrão

---

Resumo: requisitos de áudio do Whisper

Requisitos mínimos

• ✅ Formato: Qualquer formato suportado pelo FFmpeg
• ✅ Taxa de amostragem: Qualquer (mínimo 8 kHz recomendado)
• ✅ Profundidade de bits: 8 bits ou superior
• ✅ Canais: Mono ou estéreo (mono preferível)
• ✅ Tamanho do arquivo: Sem limite rígido (fragmente se > 100 MB)
• ✅ Duração: Sem limite rígido (fragmente se > 1 hora)

Requisitos ótimos

• ✅ Formato: WAV, FLAC ou MP3 (≥128 kbps)
• ✅ Taxa de amostragem: 16 kHz (ótimo, sem reamostragem)
• ✅ Profundidade de bits: PCM de 16 bits
• ✅ Canais: Mono
• ✅ Qualidade: Fala clara, pouco ruído
• ✅ Pré-processamento: Volume normalizado, sem clipping

---

Referência rápida: checklist de preparação

• Formato: WAV, MP3, FLAC, M4A ou outro suportado
• Taxa de amostragem: 16 kHz (ótimo) ou outra suportada
• Profundidade de bits: 16 bits (recomendada)
• Canais: Mono (preferível) ou estéreo
• Tamanho: < 100 MB (ou planeje fragmentação)
• Duração: < 1 hora (ou planeje fragmentação)
• Qualidade: Fala clara, pouco ruído de fundo
• Volume: Normalizado, sem clipping
• Codec: Sem perdas (WAV/FLAC) ou com perdas de alta qualidade (MP3 ≥128 kbps)

---

Testar seu áudio

Teste rápido

import whisper

# Load model
model = whisper.load_model("base")

# Test transcription
result = model.transcribe("your_audio.wav")

# Check if successful
if result["text"]:
    print("✅ Audio format is compatible")
    print(f"Detected language: {result['language']}")
else:
    print("⚠️ Transcription failed - check audio format")

Mensagens de erro comuns

Erro	Causa	Solução
"File not found"	Caminho incorreto	Verifique o caminho
"Unsupported format"	Formato não suportado	Converta para WAV/MP3
"Out of memory"	Arquivo grande demais	Fragmente o áudio
"Empty audio"	Arquivo corrompido	Reencode

---

Resumo das boas práticas

1. Use 16 kHz quando possível (ótimo para o Whisper)
2. Prefira mono ao estéreo (processamento interno em mono)
3. Use formatos sem perdas (WAV/FLAC) para máxima precisão
4. Fragmente arquivos longos (> 1 hora) para precisão e estabilidade
5. Normalize o áudio para níveis consistentes
6. Minimize ruído de fundo para melhores resultados
7. Escolha o tamanho do modelo (modelos maiores lidam melhor com áudio ruim)
8. Teste primeiro com o modelo base antes de modelos maiores

---

Conclusão

• Formato: WAV, FLAC ou MP3 (≥128 kbps)
• Taxa de amostragem: 16 kHz (ótimo)
• Profundidade de bits: PCM de 16 bits
• Canais: Mono
• Qualidade: Fala clara com pouco ruído

---