Wavo em Rust transcreve uma hora de áudio em 18 segundos, 200 vezes mais rápido que o tempo real
O autor não encontrou um programa nativo de ditado e, com agentes de IA, escreveu em Rust o motor de reconhecimento de fala wavo. Em um MacBook Pro com chip M5, ele usa o Neural Engine da Apple e transcreve uma hora de gravação em cerca de 18 segundos: isso equivale a 200× o tempo real. Na placa de vídeo, o resultado é 160× contra 107× do transcribe.cpp. Os shaders foram escritos uma única vez com wgpu, sem C++ e sem código específico para cada placa de vídeo. A conclusão: os agentes já escrevem shaders, mas a velocidade precisa ser medida em cada hardware.
Processado por IA de Habr AI; editado por Hamidun News
O que significa "200 vezes mais rápido que o tempo real"? Uma gravação de uma hora é transcrita em cerca de 18 segundos (3600 segundos divididos por 200). Esse resultado foi obtido por um desenvolvedor que queria apenas um programa prático para ditado e acabou, com a ajuda de agentes de IA, escrevendo em Rust um motor próprio de reconhecimento de fala, o wavo. Ele roda em um MacBook Pro com chip M5 e supera soluções prontas populares. A história é útil para quem desenvolve ferramentas locais de IA: ela mostra onde os agentes realmente ajudam e onde não há como dispensar testes em hardware real.
Como tudo começou
O autor migrou para um MacBook Air M5 e aproveitou para trocar softwares pesados por versões nativas: o VS Code pelo Zed, o Chrome pelo Helium. Para ditado durante o trabalho com agentes, ele usava o programa Handy, mas este é feito em Tauri, e ele queria um aplicativo nativo. O agente não encontrou uma alternativa adequada, e o desenvolvedor decidiu escrever a sua. Em paralelo, ele avaliou opções de interface (GPUI Kit, egui, controles do sistema) e acabou escrevendo uma biblioteca de UI própria: só a renderização ficou em cerca de 3 mil linhas de Rust, e os componentes básicos, em mais cerca de 6 mil.
A parte central do projeto é o motor de reconhecimento de fala. O transcribe.cpp pronto levava cerca de um minuto para linkar a cada recompilação, e no projeto em Rust entrava código C++. Dentro dele havia a biblioteca ggml, com código e ferramentas de build separados para cada placa de vídeo (Metal, Vulkan, CUDA). A alternativa foi o wgpu: os shaders são escritos uma única vez em WGSL, funcionam em qualquer placa de vídeo e são compilados com um simples cargo build. O autor testou o modelo GigaAM v3 nessa base, o agente escreveu os shaders sem dificuldade, e o resultado ficou comparável ao original.
Um detalhe importante sobre o formato GGUF: ele guarda apenas os pesos e os metadados (nome da arquitetura, dimensões das camadas, vocabulário). As operações de cálculo não estão no arquivo, diferentemente do TensorFlow ou do Core ML, que descrevem o grafo de operações. Por isso, o cálculo precisa ser implementado separadamente para cada família de modelos: GigaAM, Parakeet, Whisper. O autor teve de entender como tudo funciona: o áudio é dividido em trechos, convertido em espectrograma pela transformada rápida de Fourier (quais frequências soam em cada momento), o encoder transforma o espectrograma em vetores, e o decoder (CTC, RNN-T ou TDT) monta o texto a partir deles.
A primeira versão do suporte ao Parakeet v2 foi escrita pelo Codex em uma noite, mas o código ficou sujo. O autor descartou tudo e reescreveu com o Claude Code. Depois vieram o Parakeet v3 e o Whisper, usado como referência para comparação.
Onde surgiram os ganhos de velocidade
Antes da publicação, o autor trabalhou na velocidade de compilação. O crate rustfft atrasava a recompilação, e ao usar o wavo como biblioteca, cada usuário teria esse atraso. Ele escreveu um FFT próprio para uma única tarefa: 176 linhas de código contra 55 mil do rustfft, e a recompilação passou de 11,9 para 2,1 segundos. O próprio autor elogia o rustfft: ele foi feito para todos os casos, enquanto o projeto precisava de apenas um.
Os testes em hardware variado revelaram um problema no Windows com placa de vídeo NVIDIA. A causa era o flash attention. O attention comum grava a tabela de comparações entre todos os vetores do trecho de áudio na memória da placa de vídeo e depois a lê de volta.
O flash attention faz o mesmo cálculo em pequenos blocos, na memória rápida junto aos núcleos, sem armazenar a tabela inteira. Nos Macs, o agente já havia feito esses shaders para os blocos de matrizes da Apple, mas os blocos da NVIDIA têm outro tamanho, e por isso o código seguia um caminho padrão. Depois de adicionar shaders específicos para a NVIDIA, o wavo reconhece a gravação curta com o Whisper turbo em 201 ms, contra 226 ms do transcribe.
cpp (antes eram 637 ms).
No M5 surgiu outra descoberta: cada núcleo da placa de vídeo passou a ter um neural accelerator, que multiplica matrizes três vezes mais rápido (0,60 ms contra 1,89 ms). Porém, o acesso a ele só existe pelo Metal 4, e o wgpu ainda não o suporta. O autor contornou a limitação com um shader separado, só para Metal e só para o M5, e abriu uma issue no wgpu.
Números e limitações
Na comparação do Parakeet v3 em inglês (MacBook Pro M5), o wavo no Neural Engine — bloco separado de processamento de redes neurais dos chips da Apple — transcreve uma frase de 5 segundos em 0,12 s, e uma hora de gravação fica 200 vezes mais rápida que o tempo real. O FluidAudio no Neural Engine alcança 175×, o wavo na GPU, 160×, o transcribe.cpp na GPU, 107×, o parakeet.cpp, 90×, o parakeet-mlx, 61×, e o sherpa-onnx na CPU, 39×. Em russo, com o GigaAM v3, a diferença é semelhante: o wavo fica 330 vezes mais rápido que o tempo real, e o transcribe.cpp, 262 vezes.
As ressalvas são importantes. As medições no Windows foram feitas em uma única placa, a RTX 4060, e o autor não testou nenhuma AMD Radeon; ele pede que os resultados sejam enviados nas issues. A tabela foi obtida em um único Mac, e o projeto é pessoal, portanto não se trata de um benchmark independente.
A conclusão prática é que os agentes já são capazes de escrever shaders e um motor de inferência completo, desde que a pessoa entenda a arquitetura dos modelos e verifique o resultado. Mas as descobertas mais caras, como a falha na NVIDIA e os blocos não utilizados do M5, só apareceram em hardware real. Se você desenvolve uma ferramenta local de IA, reserve tempo para testes em diferentes placas de vídeo.
- 21 de nov. de 2026Servidor MCP de 360 linhas sem SDK: cinco decisões que fizeram o agente parar de quebrar links
- 21 de nov. de 2026Text-to-cad: agente de IA desenha peças de robô a partir de descrição, projeto ultrapassa 26 mil estrelas
- 21 de nov. de 2026Vídeo do Claude jogando GTA 6 tem cara de fake: meia hora de controle consumiu o limite de 5 horas do Pro
- 21 de nov. de 2026Claude Code acelerou a descompilação de Snowboard Kids 2: de 20% para 45% das funções em três meses
Perguntas frequentes sobre a notícia
Como tudo começou?
O autor migrou para um MacBook Air M5 e aproveitou para trocar softwares pesados por versões nativas: o VS Code pelo Zed, o Chrome pelo Helium. Para ditado durante o trabalho com agentes, ele usava o programa Handy, mas este é feito em Tauri, e ele queria um aplicativo nativo. O agente não encontrou uma alternativa adequada, e o desenvolvedor decidiu escrever a sua.
Onde surgiram os ganhos de velocidade?
Antes da publicação, o autor trabalhou na velocidade de compilação. O crate rustfft atrasava a recompilação, e ao usar o wavo como biblioteca, cada usuário teria esse atraso. Ele escreveu um FFT próprio para uma única tarefa: 176 linhas de código contra 55 mil do rustfft, e a recompilação passou de 11,9 para 2,1 segundos. O próprio autor elogia o rustfft: ele foi feito para todos os casos, enquanto o projeto precisava de apenas um.
O que se sabe sobre Números e limitações?
Na comparação do Parakeet v3 em inglês (MacBook Pro M5), o wavo no Neural Engine — bloco separado de processamento de redes neurais dos chips da Apple — transcreve uma frase de 5 segundos em 0,12 s, e uma hora de gravação fica 200 vezes mais rápida que o tempo real. O FluidAudio no Neural Engine alcança 175×, o wavo na GPU, 160×, o transcribe.cpp na GPU, 107×, o parakeet.cpp, 90×, o parakeet-mlx, 61×, e o sherpa-onnx na CPU, 39×.
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.