Antes de instalar um app de ditado local, a maioria faz a mesma pergunta: preciso de uma placa de vídeo de games, ou meu notebook dá conta disto? A ansiedade com a GPU é compreensível — “IA” e “GPU” viraram sinônimos nas notícias. Mas rodar um modelo já pronto na sua própria máquina para transcrever sua própria voz é uma tarefa completamente diferente de treinar modelos num data center, e os requisitos de hardware são uma ordem de grandeza menores.
A resposta direta: o modelo Parakeet TDT da NVIDIA roda a RTF 0,033 numa CPU Intel i7 comum — 30 vezes mais rápido que o tempo real, sem GPU. O Whisper small com quantização int8 roda cerca de 7,8× tempo real na mesma classe de hardware. Para o ditado do dia a dia, isso é mais que rápido o bastante. Aqui está o quadro completo, com números de benchmark reais.
Por que as pessoas acham que precisam de uma GPU
A associação é equivocada mas compreensível. As GPUs que você vê nas manchetes de IA estão fazendo uma de duas coisas: treinar modelos do zero sobre petabytes de dados num data center, ou servir milhares de usuários simultâneos por uma API na nuvem. As duas tarefas de fato precisam de racks de placas de vídeo.
Rodar um modelo pronto e quantizado na sua própria máquina para transcrever alguns segundos da sua própria voz é uma carga de trabalho completamente diferente. Você está fazendo inferência sobre o áudio de uma pessoa, alguns segundos por vez. O requisito de computação é ordens de grandeza menor.
A outra fonte de confusão são os benchmarks de 2022 do Whisper original da OpenAI em Python em CPU. Aquela implementação era genuinamente lenta — um usuário com um Ryzen 5 3600 relatou 11 minutos para processar 31 segundos de áudio com o modelo medium. Esse benchmark é citado o tempo todo e ainda é preciso para o Whisper em Python, mas não tem nada a ver com a implementação do whisper.cpp que os apps de ditado usam hoje. O whisper.cpp com modelos quantizados numa CPU moderna é uma experiência completamente diferente.
O que o voz para texto de fato exige
Os requisitos reais são modestos:
- Uma CPU moderna. Qualquer processador de aproximadamente a última década com instruções AVX — que é quase todo notebook e desktop vendido desde 2015.
- Alguns gigabytes de RAM livre. Esta é a principal restrição, e é menor do que as pessoas esperam (veja a tabela abaixo).
- Espaço em disco para o modelo. Um download único, tipicamente de 75 MB a 3 GB conforme o modelo que você escolher.
Nenhuma placa de vídeo aparece nessa lista.
Requisitos de RAM por modelo (segundo o projeto whisper.cpp):
| Modelo | Disco (GGML) | RAM em uso |
|---|---|---|
| Whisper tiny | 75 MB | ~273 MB |
| Whisper base | 142 MB | ~388 MB |
| Whisper small | 466 MB | ~852 MB |
| Whisper medium | 1,5 GB | ~2,1 GB |
| Whisper large-v3 | 2,9 GB | ~3,9 GB |
| Parakeet TDT v3 | ~2,3 GB | ~1,5 GB |
Uma máquina com 8 GB de RAM total e 4 GB livres roda Whisper small ou Parakeet com conforto. Essa é uma máquina bastante modesta para os padrões de 2026.
Os números reais de benchmark
Aqui está o que os modelos rodam de verdade em diferentes hardware. Um RTF (fator de tempo real) abaixo de 1,0 significa mais rápido que o tempo real — o modelo transcreve o áudio mais rápido do que ele toca. RTF 3,0 significa que 1 minuto de áudio leva 3 minutos para ser processado.
O vencedor em desempenho não é o que a maioria espera. O Parakeet TDT v3 da NVIDIA numa CPU Intel i7 moderna (i7-12700KF) atinge RTF 0,033 — aproximadamente 30× mais rápido que o tempo real. Para comparar, o faster-whisper rodando o modelo large-v2 numa GPU RTX 3070 Ti atinge RTF ~0,076 — cerca de 13× tempo real. O Parakeet em CPU é mais rápido que o Whisper numa GPU de gama média.
A razão é arquitetural. O Parakeet TDT é um Token-and-Duration Transducer — um modelo não autorregressivo que roda todo o áudio pelo encoder numa única passada para a frente. O Whisper usa um decoder autorregressivo que gera tokens um a um num loop, o que é inerentemente sequencial e mais lento. Para clipes de áudio curtos isso importa muito.
O Apple Silicon é um caso especial. Cada Mac com chip da série M (M1 até M4) usa automaticamente aceleração por GPU Metal no whisper.cpp e no SnailText. Um Mac M1 rodando Whisper large-v3 via Metal atinge aproximadamente tempo real (RTF ~1,0) — o bastante para ditar sem nenhuma GPU discreta. Um M2 Pro com Metal roda large-v3 a 2,5× tempo real. Os usuários de MacBook não têm um problema de GPU.
Os usuários de Windows sem GPU discreta têm um quadro mais nuançado. Um i7 moderno (12ª/13ª geração) roda Whisper small a cerca de 7-8× tempo real — confortável para ditar onde cada frase são 5-15 segundos. Uma CPU Ryzen de gama média roda large-v3 a RTF ~3,0 — lento demais para ditado interativo. A resposta certa para Windows só CPU é: Parakeet TDT (30× tempo real) ou Whisper small (7-8× tempo real). Não Whisper large.
Um desenvolvimento a mais que vale conhecer: o whisper.cpp 1.8.3 acrescentou suporte a GPU integrada via Vulkan, com um ganho de desempenho de aproximadamente 12× em gráficos integrados AMD Radeon 680M e Intel Arc. Se seu notebook Windows tem um AMD Ryzen moderno (6000+) ou Intel de 12ª geração em diante, o whisper.cpp pode usar essa GPU integrada automaticamente — baixando a latência de forma notável mesmo sem placa discreta.
”A CPU é lenta demais” depende por completo do modelo
As pessoas dizem “o ditado local é lento em CPU” como se o chip fosse o problema. A variável é o modelo.
Os modelos Whisper menores — tiny, base, small — rodam em tempo real ou mais rápido em qualquer CPU de notebook de 2020 em diante. A experiência é rápida. Os modelos Whisper grandes — medium e large-v3 — são genuinamente lentos em CPU: várias vezes mais lentos que o tempo real em hardware típico. Esse é o caso que as pessoas lembram e relatam, e dá à CPU uma má fama que os modelos menores não merecem.
A quantização também faz uma diferença notável. A versão quantizada int8 de um modelo roda bem mais rápido que a versão float16 em CPU com uma perda de precisão insignificante. Os benchmarks do faster-whisper mostram o modelo small int8 completando 13 minutos de áudio em 102 segundos num i7-12700K — a versão float32 leva 157 segundos para o mesmo arquivo. Escolher a versão quantizada de um modelo é velocidade grátis.
Quando uma GPU de fato vale a pena
Para ser justo com o outro lado: uma GPU dedicada é uma melhoria real em situações concretas.
Rodar large-v3 em tempo real no Windows. Uma RTX 3090 processa 1 minuto de áudio em cerca de 11 segundos (RTF ~0,19). A mesma tarefa em CPU num Ryzen 7 leva cerca de 3 minutos. Se a precisão do large-v3 é seu requisito e você está no Windows sem Apple Silicon, uma GPU não é opcional — é a única forma de chegar lá.
Transcrever por lotes gravações longas. 1 hora de áudio numa RTX 3090 com large-v3 leva cerca de 5 minutos. Numa CPU Ryzen 7 o mesmo trabalho leva aproximadamente 3 horas. Se você transcreve regularmente podcasts, aulas ou reuniões longas, uma GPU economiza tempo real ao longo da semana.
Ditado multilíngue de alta precisão. Se você dita num idioma onde os modelos menores têm taxas de erro notavelmente mais altas, pode precisar de medium ou large — e é aí que a GPU importa.
Para o ditado do dia a dia — frases curtas, uma pessoa, para e transcreve — você não vai notar a GPU.
As quatro situações de hardware
MacBook (qualquer chip da série M): Sem preocupação de GPU. A aceleração Metal é automática. O M1 maneja large-v3 em tempo real. O M2 Pro o maneja a 2,5× tempo real. Use o SnailText, escolha qualquer modelo, e funciona. A única decisão é se você quer a velocidade de um modelo menor ou o teto de precisão do large.
Notebook Windows, só gráficos integrados (sem GPU discreta): Use Parakeet TDT para inglês — 30× tempo real em CPU, sem GPU. Ou use Whisper small (7-8× tempo real). Se seu chip suporta Vulkan (AMD Ryzen 6000+ ou Intel de 12ª geração em diante), o whisper.cpp vai usar sua GPU integrada automaticamente para uma aceleração extra. Evite Whisper large — é lento demais sem placa discreta.
Desktop ou notebook Windows com GPU discreta NVIDIA/AMD: Qualquer modelo roda bem. O Whisper large-v3-turbo numa RTX 2080 Ti processa 13 minutos de áudio em 19 segundos. O Large-v3 numa RTX 3090 leva 11 segundos por minuto de áudio. Escolha seu nível de precisão e a GPU dá conta.
Hardware velho (anterior a 2015, ou ARM de baixo consumo): Só Whisper tiny ou base. O modelo tiny do whisper.cpp roda num Raspberry Pi 4 aproximadamente em tempo real com ajustes otimizados (-ac 512). Um Intel muito velho (Core i5-460M, 2010) atinge RTF ~0,86 com base — logo abaixo do tempo real. Funcional para o caso certo, mas a experiência é lenta para os padrões de hoje.
Como o SnailText lida com isso
O SnailText roda Whisper e Parakeet TDT em local no Mac e Windows, sobre o hardware que você tem. Quando você o instala pela primeira vez, o SnailText detecta seu hardware — geração de CPU, GPU disponível, VRAM — e recomenda um modelo que encaixa na sua máquina.
Num MacBook com série M, recomenda um modelo que aproveita o Metal. Numa máquina Windows com GPU discreta, recomenda um modelo Whisper maior e usa aceleração por GPU Vulkan. Numa máquina Windows só CPU, recomenda Parakeet TDT (30× tempo real em CPU, inglês) ou Whisper small — modelos que ficam rápidos sem placa de vídeo.
Essa recomendação é um ponto de partida, não uma jaula. Você pode mudar para qualquer modelo disponível a qualquer momento nas Configurações — um menor e mais rápido se você valoriza a resposta instantânea, ou um maior e mais preciso se sua máquina dá conta.
O SnailText é grátis para começar, não precisa de conta, e roda por completo no seu dispositivo. O modelo é baixado uma vez e depois funciona offline. A resposta prática a “preciso de uma GPU?” para ditar é não — mas o SnailText vai te dizer exatamente qual modelo encaixa na sua máquina concreta.
O plano Pro acrescenta o Parakeet TDT e os modelos Whisper maiores ($7.49 / month · $89 / year), com pós-processamento por LLM local que limpa termos técnicos e estilo de identificador automaticamente. O plano grátis inclui Whisper compacto e base — rápidos em qualquer CPU, sem conta.
A versão curta
Você não precisa de uma GPU para voz para texto. Uma CPU moderna e 4 GB de RAM livre bastam para um ditado local rápido e preciso. O Parakeet TDT da NVIDIA roda a 30× tempo real num i7 comum — mais rápido em CPU que o Whisper numa GPU de gama média. O Whisper small roda a 7-8× tempo real em Intel/AMD modernos. A crença de que “você precisa de GPU para IA” vem das cargas de treino em data centers, não de transcrever sua própria voz.
Onde uma GPU importa de verdade: rodar Whisper large-v3 em tempo real no Windows, transcrever por lotes horas de áudio, ou implantações de servidor de alta concorrência. Para para-e-dita uma frase por vez — o caso de uso central dos apps de ditado — a CPU é a ferramenta certa para a maioria.
Combine o modelo com sua máquina, ou deixe o SnailText fazer isso automaticamente, e o ditado em CPU é rápido.
Fontes de benchmark: whisper.cpp README (tabela de RAM); whisper.cpp GitHub discussions #89, #166, #3752; JustVoice Apple Silicon benchmarks; Parakeet TDT DeepWiki benchmarks; faster-whisper README; 1qubit.de GPU benchmarks; Phoronix whisper.cpp 1.8.3 iGPU.