Rápida, Equilibrada, Máxima: que nível de qualidade escolher

O que são os três níveis

Cada carregamento passa por um de três níveis, e cada um é um modelo diferente:

• Rápida — Whisper large-v3-turbo. Uma versão destilada do modelo grande: menos camadas de descodificação, quase toda a exatidão, uma fração do tempo.
• Equilibrada — Whisper large-v3. O modelo completo, e a predefinição.
• Máxima — GPT-4o Transcribe. Uma arquitetura mais recente, que aguenta sotaques, vozes sobrepostas e ruído melhor do que o Whisper.

Os três devolvem tempos ao nível da palavra: o leitor acompanha o texto em qualquer nível e a exportação de legendas funciona sempre da mesma forma.

O que muda de facto

Com áudio limpo, pouco. Uma só pessoa, com um microfone decente, numa sala silenciosa, chega quase ao mesmo ponto nos três níveis — e é por isso que pagar a espera da Máxima nesse ficheiro é tempo deitado fora.

A distância abre-se quando o áudio complica: vozes sobrepostas, sotaques carregados, ruído de fundo, vocabulário técnico, nomes próprios. Aí a Rápida começa a perder interjeições curtas e a adivinhar nomes. A Máxima guarda-os.

Escolher sem pensar demasiado

Deixe em Equilibrada. É a predefinição porque acerta quase sempre.

Passe para Rápida quando quiser depressa a substância de uma gravação longa, ou quando o áudio estiver limpo e pouco estiver em jogo: uma nota de voz, uma gravação a solo, algo que vai só passar os olhos.

Passe para Máxima quando um erro custar caro: entrevistas que vai citar, gravações jurídicas ou médicas, sotaques difíceis, várias pessoas a falar por cima umas das outras, ou tudo o que publicar como legenda.

Pode sempre voltar a processar um ficheiro num nível superior. O áudio original mantém-se disponível enquanto o seu plano o guardar.