A API do Whisper da OpenAI é o ponto de partida de muitas equipes: um endpoint, um preço, dezenas de idiomas. Você procura uma alternativa à API do Whisper quando acontece uma destas quatro coisas: a precisão no seu áudio não é boa o bastante, a conta cresce com o volume, a equipe de segurança quer que menos dados sejam guardados ou o modelo que você chama está sendo aposentado. Este post mostra como decidir e como testar uma alternativa sem reescrever o seu código.
A API do Whisper da OpenAI vai ser aposentada?
Sim, pelo cronograma atual da OpenAI. A página de descontinuações dela, conferida em 2026-11-15, lista whisper-1, gpt-4o-transcribe, gpt-4o-mini-transcribe e gpt-4o-transcribe-diarize como descontinuados, com aviso dado em 26 de agosto de 2026 e desligamento em 26 de fevereiro de 2027. O substituto recomendado é o gpt-transcribe (USD 0,0045 por minuto, ou USD 0,27 por hora) para arquivos, ou o gpt-live-transcribe para áudio ao vivo. A página de preços marca os mesmos quatro modelos como descontinuados, e o guia de fala para texto diz “Start with gpt-transcribe” (tradução: comece pelo gpt-transcribe). O endpoint /v1/audio/translations também foi descontinuado. Ou seja, você vai testar o seu áudio num modelo novo de qualquer jeito. Por isso agora é uma boa hora para comparar o substituto da OpenAI com outros provedores nos mesmos clipes.
Para o quadro completo, o nosso índice aberto de preços de APIs de fala para texto lista preços em lote e em streaming, incrementos de cobrança e suporte a árabe de mais de 20 produtos, cada um conferido na página de preços do próprio provedor (CSV e JSON).
Por que as equipes procuram uma alternativa à API do Whisper?
| Motivo | O que verificar na alternativa |
|---|---|
| Precisão num idioma ou dialeto específico | Taxa de erro de palavras publicada num conjunto de teste relevante e, depois, um teste seu |
| Preço em volume | Preço por hora de áudio e cobranças mínimas |
| Retenção de dados | Se áudio e transcrições são armazenados, e por quanto tempo |
| Limites | Tamanho de arquivo, formatos, rate limits |
| Recursos | Timestamps, diarização, prompts, streaming |
O guia de fala para texto da OpenAI diz “Whisper supports 98 languages, but accuracy varies by language” (tradução: o Whisper suporta 98 idiomas, mas a precisão varia de acordo com o idioma). Esse é o ponto de partida honesto: a lista de idiomas mostra o que é possível, não o que é bom.
Quais alternativas à API do Whisper existem, e quanto custam?
| Opção | Preço (tabela, nov. 2026) | Idiomas | Observações |
|---|---|---|---|
API do Whisper da OpenAI (whisper-1) |
USD 0,006/min | 98 (precisão variável) | Arquivos de 25 MB; prompts de até 224 tokens; desligamento em 2027-02-26 |
OpenAI gpt-transcribe |
USD 0,0045/min (USD 0,27/hora) | Veja o guia da OpenAI | Substituto recomendado pela OpenAI; o guia da OpenAI mostra timestamps por palavra só para o whisper-1 e rótulos de locutor só para o modelo diarize descontinuado |
| Groq, Whisper Large v3 | USD 0,111/hora | Multilíngue | A Groq informa 10,3% de WER; cobrança mínima de 10 segundos |
| Groq, Whisper Large v3 Turbo | USD 0,04/hora | Multilíngue | A Groq informa 12% de WER; não treinado para tradução |
| Soniox (assíncrono) | cerca de USD 0,10/hora, cobrado por token | Mais de 60, árabe incluído | API própria baseada em jobs, não compatível com a OpenAI; tempo real por cerca de USD 0,12/hora |
| Whisper hospedado por conta própria | O custo das suas GPUs | Os mesmos do Whisper | Licença MIT; você opera e escala |
| BroadNet Transcribe | $0.002/min | 14 | Não é o Whisper; baseado no Cohere Transcribe |
| BroadNet Transcribe Arabic | $0.0042/min | Árabe | A BroadNet informa #2 de 37 (dado de setembro de 2026; o ranking ao vivo o listava em #4 de 39 em 15 de novembro de 2026) no Open Universal Arabic ASR Leaderboard |
Os preços e os números da Groq foram conferidos nas páginas oficiais em 2026-11-14; os da OpenAI foram conferidos de novo em 2026-11-15. O gpt-transcribe da OpenAI custa mais por hora que os dois modelos da BroadNet. O endpoint Turbo da Groq e a Soniox custam menos por hora que o BroadNet Transcribe ($0.12 por hora); a Soniox exige código cliente novo, porque não usa o formato de requisição da OpenAI. Os números de WER da Groq são publicados pela própria Groq, não vêm de um teste num conjunto comum aos demais, então não os compare diretamente com os da BroadNet. Esta página trata da troca; para a lista completa de preços, incluindo DeepSeek, AssemblyAI, Deepgram, Google, AWS e Speechmatics com os preços dos adicionais, veja a comparação de preços de APIs de fala para texto, e a calculadora de custo de fala para texto calcula o preço das suas horas mensais.
O que os números de precisão significam de verdade?
A BroadNet publica três valores de WER para o BroadNet Transcribe Arabic no catálogo de modelos:
| Conjunto de teste | Tipo de áudio | WER |
|---|---|---|
| FLEURS-ar | Frases lidas, áudio limpo | 3,8 |
| MASC-ar | Árabe real, misto | 21,1 |
| Conjunto de dialetos da BroadNet | Fala dialetal | 23,4 |
Nos mesmos conjuntos MASC e de dialetos, a BroadNet informa 31,5 e 31,8 para o Whisper large-v3, contra 21,1 e 23,4 do seu modelo de árabe: cerca de um terço a menos de erros no MASC e cerca de um quarto a menos no conjunto de dialetos. É um teste da própria BroadNet sobre um concorrente, então confira no seu áudio. No Open Universal Arabic ASR Leaderboard, público, que usa os mesmos conjuntos de teste para todos os modelos, o Whisper large-v3 estava em 19º de 39 em 15 de novembro de 2026 (WER médio de 36,86), e o Cohere Transcribe Arabic 07-2026, o modelo que a BroadNet serve, estava em 4º (24,19).
A lição está na diferença. O mesmo modelo é quase perfeito em fala lida e bem mais fraco em conversa. O WER de destaque de qualquer provedor mostra como ele se saiu no áudio de outra pessoa. Os dialetos são tratados em detalhe em reconhecimento de fala em dialetos árabes.
Como testar uma alternativa ao Whisper em uma tarde
- Junte de 30 a 50 clipes por idioma, de tráfego real: ligações, mensagens de voz, reuniões. Remova tudo o que você não pode compartilhar.
- Escreva à mão transcrições de referência para 10 clipes por idioma.
- Rode as duas APIs nos mesmos clipes. Com provedores compatíveis com a OpenAI, só o cliente e o modelo mudam:
import os
from openai import OpenAI
whisper = OpenAI() # uses OPENAI_API_KEY
broadnet = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
def run(client, model, path, lang):
with open(path, "rb") as f:
return client.audio.transcriptions.create(model=model, file=f, language=lang).text
hyp_a = run(whisper, "whisper-1", "clip01.wav", "ar") # also try "gpt-transcribe", OpenAI's replacement
hyp_b = run(broadnet, "broadnet/cohere-transcribe-arabic", "clip01.wav", "ar")
- Calcule a pontuação com a mesma normalização para as duas, usando o jiwer:
import re, jiwer
def norm(t):
t = re.sub(r"[ً-ْ]", "", t) # strip Arabic diacritics
t = re.sub(r"[إأآ]", "ا", t).replace("ى", "ي") # unify alef and yaa
return re.sub(r"[^\w\s]", "", t).lower().strip()
print(jiwer.wer(norm(reference), norm(hyp_a)), jiwer.wer(norm(reference), norm(hyp_b)))
- Leia você mesmo 20 transcrições. Confira números, nomes e termos de produto. Um modelo pode ganhar no WER e ainda assim errar o número da conta.
Quando vale hospedar o Whisper por conta própria?
O código e os pesos do Whisper têm licença MIT, então rodá-lo por conta própria é sempre uma opção. Faz sentido quando:
- O áudio não pode sair da sua rede, por motivos legais ou contratuais.
- O seu volume mantém uma GPU ocupada durante boa parte do dia, para você não pagar por horas ociosas.
- Você precisa fazer fine-tune com o seu vocabulário ou sotaque.
Sai mais caro do que parece quando o tráfego tem picos, quando você precisa de alta disponibilidade em várias máquinas ou quando ninguém na equipe quer cuidar de drivers de GPU e atualizações (a conta do ponto de equilíbrio com GPU). O README do openai/whisper também observa que o modelo turbo não foi treinado para tradução. Uma API hospedada transforma esses problemas num preço por minuto, e é por isso que a maioria das equipes começa por ela e só hospeda por conta própria quando o volume e os requisitos estão claros.
Checklist de migração
Trocar a base URL é a parte fácil. Antes de mover o tráfego:
- Formatos. A OpenAI aceita flac, mp3, mp4, m4a, ogg, wav e webm. A BroadNet aceita WAV e MP3, então converta antes os arquivos
.ogge.m4acom ffmpeg. Para gravações do navegador, veja gravar áudio no navegador e enviar para uma API de fala para texto. - Tamanho do arquivo. A OpenAI limita uploads a 25 MB; a BroadNet, a 26.214.400 bytes (25 MiB).
- Campo de idioma. Envie sempre. Na BroadNet, árabe sem
language=arpode voltar em letras latinas. - Parâmetros opcionais. Se você depende de
prompt,verbose_jsonou timestamps por palavra, confirme que a alternativa os suporta. A documentação da BroadNet descreve uma resposta JSON comtext. - Rate limits. As chaves de pagamento por uso da BroadNet permitem 30 requisições por minuto e 4 simultâneas.
A versão geral desta lista está no checklist de migração para API compatível com a OpenAI.
Onde o BroadNet Transcribe se encaixa
Escolha a BroadNet quando a precisão em árabe importa, quando você quer que áudio e transcrições não sejam retidos (retenção zero de dados) ou quando $0.002 por minuto em 14 idiomas sai mais barato que a sua conta atual. O crédito inicial de $5 cobre cerca de 1,190 minutos de áudio em árabe, o bastante para rodar o teste acima; pegue uma chave na BroadNet Inference. O guia de fala para texto em árabe tem exemplos em curl e Python.
Fique com os modelos substitutos da OpenAI, ou com outro provedor, se você precisa de um dos muitos idiomas que a BroadNet não lista, tradução de fala, transcrição ao vivo ou prompts e dicas de palavras-chave (o guia da OpenAI documenta esses recursos para o gpt-transcribe). Para traduzir gravações em árabe para o inglês a partir de arquivos, um pipeline de dois passos também funciona: veja traduzir áudio em árabe para o inglês. Para o menor preço possível em inglês, os endpoints hospedados do Whisper Turbo custam menos por hora.
