Skip to main content
PromptQuorumBuilt for humans. Structured for AI.
Início/LLMs locais avançados
Voice, Speech & Multimodal

Análise do TranscriptionSuite: voz para texto local e gratuito com rótulos de falante

·9 min de leituraPor Hans Kuepper · Fundador do PromptQuorum · Mecanismo de descoberta de IA de pesos abertos e código aberto

O TranscriptionSuite é um app gratuito de voz para texto, com licença GPL-3.0, que executa modelos de voz no seu próprio computador e acrescenta transcrição ao vivo, rótulos de falante, um caderno de áudio com calendário e uma API compatível com OpenAI. Segundo o README, o áudio e as transcrições nunca saem da sua máquina. Esta análise cobre a versão 1.3.10 e se baseia no site público, no README e nas versões do GitHub, não em um teste prático.

Principais conclusões

  • Versão analisada: 1.3.10, lançada em 24 de setembro de 2026; o repositório foi atualizado pela última vez em 4 de outubro de 2026, então o aviso de projeto parado não se aplica.
  • Licença e preço: GPL-3.0 ou posterior segundo o README; gratuito, sem conta.
  • Plataformas: Windows 11 e Linux (x64) e macOS; o servidor roda no Docker, exceto em Macs com Apple silicon.
  • Destaques: modo ao vivo, rótulos de falante, caderno de áudio, API compatível com OpenAI, webhooks.
  • Maturidade: cerca de 775 estrelas no GitHub e um único mantenedor que chama o projeto de «vibe-codado».

📍 Em uma frase

O TranscriptionSuite é um aplicativo de desktop de código aberto que transcreve áudio com modelos de voz que rodam no seu próprio computador e indica quem disse o quê.

💬 Em termos simples

Pense nele como um estúdio de transcrição privado: você grava uma aula, dita em qualquer app ou importa um arquivo de áudio e recebe uma transcrição com rótulos de falante, sem enviar a gravação para um serviço na nuvem.

Ler em:
🇺🇸en🇩🇪de🇫🇷fr🇯🇵ja🇨🇳zh🇪🇸es🇧🇷pt🇸🇦ar🇰🇷ko

O TranscriptionSuite é um aplicativo de desktop gratuito e de código aberto que transforma fala em texto no seu próprio computador, com transcrição ao vivo, rótulos de falante, um caderno de áudio pesquisável e modelos de voz à sua escolha. Esta análise reúne o que o site, o README e as versões do GitHub documentam, o que deixam de fora e como ele se compara a outras ferramentas de transcrição do diretório.

Análise do TranscriptionSuite: voz para texto local e gratuito com rótulos de falante

Obter o TranscriptionSuite

O TranscriptionSuite tem duas partes: um painel que você instala e um servidor que o app baixa e gerencia para você. Os arquivos estão anexados à última versão no GitHub; as linhas abaixo vão do caminho mais fácil ao mais trabalhoso.

Plataforma
Download
macOS, Apple silicon (servidor incluído)TranscriptionSuite-1.3.10-arm64-mac-metal.dmg (cerca de 3-5 GB, sem Docker)
macOS, Apple silicon (só o painel)TranscriptionSuite-1.3.10-arm64-mac.dmg (cerca de 200 MB; o servidor roda em outro lugar)
Windows (x64)TranscriptionSuite.Setup.1.3.10.exe mais Docker Desktop com WSL 2
Linux (x64)TranscriptionSuite-1.3.10.AppImage mais Docker ou Podman
Sitetranscriptionsuite.app
Política de privacidadeNão foi encontrada uma página de política de privacidade separada; o README descreve o processamento local
Código-fontegithub.com/homelab-00/TranscriptionSuite

Só a versão para Mac com o servidor integrado se instala apenas baixando e abrindo. No Windows e no Linux é preciso configurar antes o Docker ou o Podman no nível do terminal. O app para macOS não é assinado, então o macOS o bloqueia até você remover o sinalizador de quarentena ou escolher «Abrir mesmo assim»; também é preciso instalar o FFmpeg. O README cita um build para Mac com Intel, mas a versão 1.3.10 mostra apenas imagens de disco para Apple silicon.

TranscriptionSuite em resumo

Atributo
TranscriptionSuite
PlataformaWindows, macOS, Linux
PreçoGrátis
LicençaGPL-3.0 ou posterior
ExecuçãoLocal; modelos baixados no primeiro uso
IdiomasMais de 90 com Whisper; menos com outros modelos
Transcrição em tempo realSim (modo ao vivo, só modelos Whisper)
Rótulos de falanteSim, em gravações e importações; não no modo ao vivo
Utilizável só com CPUSim; os modelos NeMo não estão disponíveis
Servidor de API localSim, endpoint de transcrição compatível com OpenAI

Os atributos seguem a comparação de voz para texto usada no diretório de software de LLM local. Uma informação ausente no site significa «desconhecido», não «sem suporte».

O que é o TranscriptionSuite

O TranscriptionSuite é um app de transcrição, não um bot de reuniões nem um serviço na nuvem. O README descreve um painel em Electron com backend em Python que suporta modelos Whisper, NVIDIA NeMo, VibeVoice-ASR, SenseVoice, whisper.cpp e MLX, acelerados por CUDA, Apple Metal ou Vulkan, ou só pela CPU.

O autor o descreve como uma ferramenta pessoal que virou um projeto de hobby, feito por um engenheiro mecânico que não é engenheiro de software; nas palavras do README, «this whole thing is vibecoded», embora não às cegas. O autor diz que usa o app e não pretende abandoná-lo.

Esta análise se baseia no site, no README e nas versões do GitHub. Não houve teste prático, então precisão, velocidade e estabilidade não são avaliadas aqui.

Primeiros passos

A configuração é instalar o painel e depois iniciar o servidor dentro do app. Os passos seguem o README.

  1. 1
    Prepare sua plataforma
    Why it matters: No Windows e no Linux instale o Docker (Docker Desktop com WSL 2, ou Docker ou Podman no Linux); em Apple silicon instale o FFmpeg com o Homebrew.
  2. 2
    Instale o painel
    Why it matters: Baixe o arquivo do seu sistema na [página de versões](https://github.com/homelab-00/TranscriptionSuite/releases/latest); no Mac, remova uma vez o sinalizador de quarentena, porque o app não é assinado.
  3. 3
    Inicie o servidor na aba Server
    Why it matters: Escolha um ambiente de execução (CUDA, Metal, Vulkan ou CPU) e inicie; a primeira inicialização baixa o modelo escolhido, que pode ter vários gigabytes.
  4. 4
    Grave, dite ou importe um arquivo
    Why it matters: Use a aba Session para gravar ou importar áudio e ative Speaker Diarization quando precisar de rótulos de falante.

Recursos

A lista de recursos é ampla para um projeto de uma pessoa só. Tudo a seguir vem do README e do site.

  • Gravação longa. Grave pelo microfone ou pelo áudio do sistema e receba a transcrição completa ao parar, com uma prévia contínua dos últimos 20 segundos.
  • Modo ao vivo. Transcrição em tempo real, frase a frase, para ditado; limitada a modelos da família Whisper e sem rótulos de falante.
  • Diarização de falantes. Rótulos de «quem disse o quê» para modelos Whisper, NeMo, SenseVoice e VibeVoice.
  • Importação de arquivos. Solte áudio ou vídeo e salve texto simples ou legendas .srt / .ass.
  • Caderno de áudio. As gravações vão para uma visão de calendário com busca em texto completo e um assistente de IA que conversa com qualquer provedor compatível com OpenAI.
  • Atalhos de ditado. Atalhos globais de início e parada e colagem na posição do cursor.
  • Integrações. Um endpoint /v1/audio/transcriptions compatível com OpenAI para ferramentas como Open WebUI e LM Studio, webhooks de saída e acesso remoto por Tailscale ou rede local.

Modelos e hardware

Você escolhe o modelo de voz; o app detecta o seu hardware e deixa em cinza as opções incompatíveis. Nas plataformas com Docker as opções são WhisperX (modelos faster-whisper), NVIDIA Parakeet v3 e Canary v2, VibeVoice-ASR, SenseVoice e whisper.cpp; em Apple silicon são as versões MLX de Whisper, Parakeet, Canary e VibeVoice-ASR.

A cobertura de idiomas depende do modelo: o Whisper lida com mais de 90 idiomas e pode traduzir para o inglês, Parakeet e Canary cobrem 25 idiomas europeus, o VibeVoice 51 e o SenseVoice cinco. Os modelos NeMo não rodam no ambiente de CPU, e o VibeVoice-ASR é um modelo de 9 bilhões de parâmetros de cerca de 16 GB.

O desenvolvedor afirma que meia hora de áudio é transcrita em menos de um minuto com o Whisper em uma RTX 3060; esta análise não reproduziu esse número. O README não publica requisito mínimo de RAM nem de VRAM.

Privacidade, licença e custo

O README diz que tudo roda no seu computador e que o áudio e as transcrições nunca saem dele. A internet só é necessária para baixar o app e os pesos dos modelos no primeiro uso; depois disso funciona offline. Os rótulos de falante com Whisper ou NeMo usam modelos PyAnnote, que exigem um token gratuito do Hugging Face.

O assistente de IA do caderno pode conversar com qualquer provedor compatível com OpenAI, inclusive serviços na nuvem como Groq, OpenAI e OpenRouter; o que você enviar para lá fica fora da afirmação de «somente local». O README também diz que o app verifica novas versões toda semana.

O código é GPL-3.0 ou posterior e o app é gratuito. Não foi encontrada uma página de política de privacidade específica. Esta análise não inspecionou o tráfego de rede, então essas afirmações são do próprio desenvolvedor.

Vantagens e limitações

Transcrição local

O que significa no uso real:
O áudio fica na sua máquina.
Limitação / ressalva:
Os downloads de modelos no primeiro uso são grandes; não há números de precisão publicados.

Rótulos de falante

O que significa no uso real:
Saber quem fala nas reuniões.
Limitação / ressalva:
Indisponíveis no modo ao vivo; o Sortformer lida com apenas quatro falantes.

Muitas famílias de modelos

O que significa no uso real:
Escolher entre velocidade, idioma ou precisão.
Limitação / ressalva:
Qual combina com o seu hardware é decisão sua.

API compatível com OpenAI

O que significa no uso real:
Outras ferramentas podem usá-lo como backend.
Limitação / ressalva:
O campo «model» é aceito, mas ignorado.

Código aberto e gratuito

O que significa no uso real:
Código GPL que você pode inspecionar.
Limitação / ressalva:
Um único mantenedor, que se diz «vibe-codador»; Docker necessário no Windows e no Linux.

TranscriptionSuite e as alternativas

Estas são as ferramentas de voz para texto mais próximas do diretório: outro transcritor de reuniões, um app de ditado para Mac e dois motores para construir por cima.

TranscriptionSuite

Plataformas:
Windows, macOS, Linux
Preço e licença:
Grátis, GPL-3.0
Papel:
App de transcrição com servidor
Diferença principal:
Modo ao vivo, rótulos de falante, caderno e API em um só

Meetily

Plataformas:
macOS, Windows
Preço e licença:
Grátis (MIT) e Pro pago
Papel:
Transcritor de reuniões
Diferença principal:
Feito para reuniões; só macOS e Windows
Artigos sobre Meetily (1)

Também mencionado em:

MacWhisper

Plataformas:
macOS
Preço e licença:
Freemium, proprietário
Papel:
App de transcrição para Mac
Diferença principal:
Só para Mac e de código fechado
Artigos sobre MacWhisper (2)

Também mencionado em:

faster-whisper

Plataformas:
Windows, macOS, Linux
Preço e licença:
Grátis, MIT
Papel:
Biblioteca de voz em Python
Diferença principal:
Um motor para desenvolvedores, sem interface
Artigos sobre faster-whisper (5)

Também mencionado em:

+6 mais não exibidos

Izwi

Plataformas:
Windows, macOS, Linux
Preço e licença:
Grátis, MIT
Papel:
Runtime de voz local
Diferença principal:
Acrescenta saída de voz e clonagem de voz atrás de uma única API
Artigos sobre Izwi (2)

Plataformas, preços e recursos de apps de terceiros mudam com frequência. Confira os dados atuais na página de cada projeto antes de decidir.

Comparar no diretório

Para quem o TranscriptionSuite serve

  • Quem transcreve entrevistas, aulas ou reuniões. Os rótulos de falante e a exportação de legendas miram exatamente nisso.
  • Usuários de Mac com Apple silicon. O build integrado é o caminho mais simples e dispensa o Docker.
  • Quem dita em outros apps. O modo ao vivo e a colagem no cursor resolvem.
  • Entusiastas com um servidor em casa. O acesso remoto e a API deixam outros dispositivos usarem uma só máquina.

Para quem o TranscriptionSuite não serve

  • Quem quer um instalador sem preparação no Windows ou no Linux. O Docker vem primeiro.
  • Donos de Mac com Intel. A última versão não lista nenhum build para Intel.
  • Equipes que precisam de suporte do fornecedor. É um projeto de hobby de um único mantenedor.
  • Quem precisa de conformidade documentada. Não foi encontrada uma política de privacidade.

Perguntas frequentes

O TranscriptionSuite precisa de GPU?

Não. Existe um ambiente só com CPU, mas nele os modelos NeMo não estão disponíveis e os modelos grandes ficam lentos; NVIDIA CUDA, Apple Metal e Vulkan da AMD ou Intel são aceleradores opcionais.

Por que ele precisa do Docker?

O servidor de transcrição é entregue como contêiner no Windows, no Linux e em Macs com Intel, e o painel o baixa e gerencia; Macs com Apple silicon o executam de forma nativa.

Outros apps podem usá-lo como backend de transcrição?

Sim. Ele expõe um endpoint de transcrição compatível com OpenAI, para o qual ferramentas como Open WebUI e LM Studio podem apontar.

Preciso de uma conta para os rótulos de falante?

Só pelo caminho do Whisper e do NeMo: o PyAnnote exige um token gratuito do Hugging Face. SenseVoice, VibeVoice e Sortformer em Apple silicon não exigem.

Posso rodá-lo em uma máquina e usá-lo de outra?

Sim. O README descreve o acesso remoto por Tailscale ou rede local.

Veredito

O TranscriptionSuite combina com quem quer transcrição local e privada com rótulos de falante e se vira com o Docker, ou com quem tem um Mac com Apple silicon, em que o build integrado elimina essa etapa.

As ressalvas são maturidade e transparência: um único mantenedor que se diz «vibe-codador», nenhuma política de privacidade, nenhum benchmark de precisão além da afirmação de velocidade do próprio autor e um app para macOS sem assinatura. Teste primeiro com gravações não sensíveis.

Fontes

← Voltar para LLMs locais avançados

MCP