Um áudio de 35 segundos vira texto em 9 segundos no CRM, sem placa de vídeo
Clientes mandam áudios como «e esse kit ainda tem em estoque, e quanto custa a entrega para Samara?», mas o gerente numa oficina barulhenta não tem como ouvi-los. Por isso, o CRM de vendas com conversas mostra o texto embaixo do player: quem faz a transcrição é o Whisper small, rodando num servidor em nuvem na Rússia, com 2 núcleos e sem placa de vídeo. Um áudio de 35 segundos vira texto em cerca de 9 segundos, e o som não sai para nuvens estrangeiras. Para um volume pequeno, dá para dispensar APIs pagas.
Processado por IA de Хабр: Машинное обучение; editado por Hamidun News
Clientes de lojas online gostam de mandar áudio: «Olá, esse kit ainda está disponível? E quanto custa a entrega para Samara?» O gerente precisa ouvir a mensagem, e numa oficina barulhenta ou durante uma chamada isso é inconveniente.
A equipe do CRM de vendas com conversas decidiu mostrar o texto pronto embaixo do player. Toda a transcrição roda em um servidor comum em nuvem na Rússia, com dois núcleos de processador e sem placa de vídeo: um áudio de 35 segundos vira texto em cerca de 9 segundos, ou seja, quase 4 vezes mais rápido do que a duração da gravação. Não é preciso pagar serviços de reconhecimento em nuvem por minuto de áudio, e o áudio do cliente não sai dos servidores da empresa.
Por que não usaram a solução pronta
A primeira ideia foi usar a transcrição do próprio mensageiro. O VK tem essa função: a resposta da API traz, no anexo, um campo com o texto. Mas, nas mensagens de comunidades, o campo continuava vazio mesmo depois de vários dias. No MAX, no Telegram e no WhatsApp, conectados por meio de um serviço intermediário, não há transcrição de jeito nenhum.
Os serviços de reconhecimento em nuvem foram descartados por outro motivo. O áudio do cliente é dado pessoal, e a equipe não queria enviá-lo para servidores estrangeiros. Por isso, tudo precisa funcionar em servidores próprios na Rússia, e os arquivos não são armazenados em lugar nenhum.
O que está por trás
Para o reconhecimento, escolheram o faster-whisper, uma implementação do modelo Whisper sobre o CTranslate2, que é bem mais rápida que o original em processadores comuns. A versão do modelo é a small. Em fala coloquial em russo, ela erra algumas palavras, mas transmite o sentido com segurança, e para o gerente isso basta.
O reconhecimento foi colocado em uma máquina separada, para não tirar processador do próprio CRM. A velocidade veio de quatro ajustes:
- quantização dos pesos (int8, ou seja, armazenamento dos números do modelo em formato compactado), que é o maior ganho de velocidade na CPU;
- decodificação gulosa em vez de busca por feixe: em frases curtas, a qualidade quase não muda;
- um detector de voz remove o silêncio e as pausas, que são muitos nos áudios;
- o idioma é definido explicitamente, sem detecção automática: isso é mais rápido e gera menos erros em gravações curtas.
Armadilhas na decodificação do áudio
O faster-whisper consegue abrir arquivos sozinho, usando a biblioteca PyAV, mas isso falhava nos áudios dos mensageiros. Em parte dos arquivos, o PyAV caía com erro ao ler os metadados, e os formatos que chegam são variados: ogg, m4a e mp3.
A saída foi simples: entregar a decodificação ao ffmpeg e passar para o modelo um array de áudio já pronto: mono, 16 kHz, números float32 entre −1 e 1. Assim, o formato do arquivo original deixa de importar.
O script segue o princípio «stdin → stdout»: o áudio entra, o texto sai. Ele não sabe nada sobre o CRM nem sobre os mensageiros, e o arquivo não é gravado no disco. O servidor principal chama o script com um único comando, via curl e ssh.
Como isso está integrado ao CRM
No servidor principal, uma tarefa do cron roda a cada minuto. Ela está envolvida pelo flock: se a execução anterior ainda estiver em andamento, a nova não começa, e a fila não se acumula. O comando timeout de 600 segundos protege contra um ssh ou ffmpeg travado. Em cada passagem, são processados no máximo cinco áudios, para que um pico de mensagens não sobrecarregue o servidor de reconhecimento.
A tarefa encontra os áudios recebidos nos últimos 2 dias que ainda não têm texto, baixa cada um pelo link do mensageiro, envia para o reconhecimento e grava o resultado no anexo da mensagem. A interface do CRM mostra o texto embaixo do player, e, na lista de diálogos, em vez de «Mensagem de voz» aparece «🎤 Olá, esse kit ainda está…».
Cada mensagem tem um contador de tentativas: se o arquivo estiver corrompido ou o link tiver expirado, após três falhas a mensagem deixa de ser processada. A janela de 2 dias evita que a tarefa percorra todo o histórico de conversas a cada execução. O texto aparece cerca de um minuto depois da chegada do áudio: o tempo até a próxima execução do cron mais alguns segundos de reconhecimento.
Limitações e conclusão
A desvantagem honesta do esquema: o modelo é carregado a cada chamada. Para um volume pequeno de áudios, isso é aceitável, mas com carga alta o script deve virar um serviço permanente com fila. A qualidade do small em fala coloquial também não é perfeita: algumas palavras saem distorcidas.
A receita para quem quiser repetir: use o faster-whisper com int8 no processador, decodifique o áudio pelo ffmpeg, e não por meio do PyAV, e não guarde os arquivos, porque para a transcrição eles não são necessários. Para pequenas e médias empresas, é um exemplo de como resolver uma tarefa com dados pessoais sem placa de vídeo e sem pagar por minuto de áudio.
- 8 de nov. de 2026Tres LLMs eliminam “hoje” em 10% a 95% das respostas ao analisar anotacoes
- 22 de nov. de 2026Quatro programas gratuitos geram vídeos com IA em PC doméstico com 8 GB de VRAM
- 30 de abr. de 2026Amazon apresenta busca em linguagem natural em grandes acervos de vídeo com o Nova
- 21 de nov. de 2026Wavo em Rust transcreve uma hora de áudio em 18 segundos, 200 vezes mais rápido que o tempo real
Perguntas frequentes sobre a notícia
Por que não usaram a solução pronta?
A primeira ideia foi usar a transcrição do próprio mensageiro. O VK tem essa função: a resposta da API traz, no anexo, um campo com o texto. Mas, nas mensagens de comunidades, o campo continuava vazio mesmo depois de vários dias. No MAX, no Telegram e no WhatsApp, conectados por meio de um serviço intermediário, não há transcrição de jeito nenhum. Os serviços de reconhecimento em nuvem foram descartados por outro motivo.
O que está por trás?
Para o reconhecimento, escolheram o faster-whisper, uma implementação do modelo Whisper sobre o CTranslate2, que é bem mais rápida que o original em processadores comuns. A versão do modelo é a small. Em fala coloquial em russo, ela erra algumas palavras, mas transmite o sentido com segurança, e para o gerente isso basta. O reconhecimento foi colocado em uma máquina separada, para não tirar processador do próprio CRM.
O que se sabe sobre Armadilhas na decodificação do áudio?
O faster-whisper consegue abrir arquivos sozinho, usando a biblioteca PyAV, mas isso falhava nos áudios dos mensageiros. Em parte dos arquivos, o PyAV caía com erro ao ler os metadados, e os formatos que chegam são variados: ogg, m4a e mp3. A saída foi simples: entregar a decodificação ao ffmpeg e passar para o modelo um array de áudio já pronto: mono, 16 kHz, números float32 entre −1 e 1. Assim, o formato do arquivo original deixa de importar.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
O essencial da IA — uma vez por semana
Sete histórias que realmente importaram, escolhidas a dedo. Sem ruído nem releases.
Pronto! Verifique seu e-mail para a confirmação.