Ditado offline - voz para texto sem a nuvem

Por que "offline" é a questão de arquitetura, não um item de checklist

O ditado offline, também chamado de reconhecimento de fala offline, fala para texto offline ou fala para texto local, descreve software de voz para texto em que o modelo de fala roda no seu próprio hardware, não num servidor remoto. A distinção é de arquitetura, não uma caixinha num menu de configurações de privacidade.

A maioria dos apps de ditado que anunciam privacidade ainda são apps de nuvem. Eles têm uma política de privacidade, um certificado de auditoria, uma opção de Business Associate Agreement, uma promessa de não treinar com os seus dados. Esses são controles de política. Eles dependem de o fornecedor fazer o que disse, e de você confiar que ele vai fazer.

Um app de ditado genuinamente offline não tem uma política de privacidade no mesmo sentido. O áudio não consegue chegar a um servidor porque não há chamada de rede. O modelo não consegue vazar dados porque está rodando num processo no seu hardware, com o seu sistema operacional controlando quem pode vê-lo.

A garantia de privacidade é a arquitetura, não uma promessa.

Essa diferença aparece nos piores casos. Quando a plataforma de conformidade Delve foi implicada numa investigação de fraude de auditoria em março de 2026 (segundo uma investigação publicada no Substack que analisou 494 relatórios SOC 2 supostamente gerados pela plataforma, encontrando 99,8% com texto-modelo idêntico), clientes de várias empresas de ditado na nuvem descobriram que as certificações SOC 2 que presumiam ter haviam sido geradas por uma ferramenta que produzia relatórios essencialmente idênticos. As empresas afetadas reagiram trocando de auditor (o Wispr Flow contratou a A-LIGN como novo auditor e a Drata como nova plataforma de conformidade, segundo análise do incidente pela Voibe Resources). Os clientes não tinham como verificar o que de fato havia sido auditado em primeiro lugar. As ferramentas offline simplesmente não têm esse problema, porque não há nada a auditar na camada de inferência.

Um incidente separado e amplamente divulgado envolveu o Wispr Flow capturando capturas de tela da janela ativa do usuário a cada poucos segundos e enviando-as para infraestrutura de IA de terceiros como parte de um recurso de "context awareness" (documentado por análise de tráfego de rede publicada no Reddit em 2025, com o CTO do fornecedor pedindo desculpas publicamente depois que a empresa inicialmente baniu o usuário que reportou, segundo a reportagem da Embertype). Desde então o app mudou a implementação para ler o texto perto do cursor via accessibility APIs em vez de capturas de tela completas (segundo a documentação atual do Wispr Flow), mas o ponto de fundo continua de pé: apps de ditado na nuvem podem fazer coisas que você não vê, e você descobre depois, quando descobre.

Uma variante mais sutil do mesmo problema existe em apps que se vendem como "local". O SuperWhisper processa o áudio no dispositivo, e essa parte é verdade. Mas o recurso Smart Modes deles envia contexto adicional para a infraestrutura de nuvem da Modal a cada ditado: o nome do app em que você está digitando, o conteúdo do campo de texto em foco, a sua área de transferência e identificadores de sistema, incluindo nome do computador e fuso horário. Isso está documentado no system prompt que eles expõem no próprio tráfego de rede. Se você dita num documento jurídico, numa nota de paciente ou numa conversa privada do Slack, esse contexto sai da sua máquina mesmo que o áudio não saia. "Áudio local" e "tudo local" são afirmações diferentes.

Nada disso significa que o ditado na nuvem esteja errado. Significa que o modelo de confiança é diferente. Se você está ditando listas de compras e mensagens do Slack, o modelo de confiança provavelmente está de boa. Se você está ditando trabalho de cliente, notas médicas, rascunhos jurídicos, informações internas da empresa ou qualquer coisa que você não gostaria que ficasse no servidor de outra pessoa, a resposta de arquitetura é genuinamente melhor que a resposta de política.

Como o Whisper local funciona, e o que "na RAM" significa de verdade

Os apps modernos de ditado offline usam a família de modelos Whisper, originalmente lançada em código aberto pela OpenAI em 2022 e hoje desenvolvida em várias implementações, incluindo whisper.cpp, faster-whisper, MLX Whisper e outras. As variantes menores (tiny, base, small) têm entre 75MB e 500MB em disco e rodam em hardware de consumo em tempo real.

O pipeline, em passos concretos:

1. Passo 1. Você aperta um atalho. O app abre um stream de áudio do seu microfone a 16 kHz mono PCM, o formato que o Whisper espera. As amostras fluem para um buffer rolante na RAM, tipicamente alguns megabytes por minuto de fala. Nenhum arquivo em disco.
2. Passo 2. Um detector de atividade de voz (VAD) observa o stream e decide quando a fala termina. O Silero VAD é a escolha comum: um modelo ONNX pequeno que roda em milissegundos por trecho e emite um sinal de "frase terminou" após cerca de meio segundo de silêncio.
3. Passo 3. Cada frase fechada é entregue ao modelo Whisper. O Whisper roda na sua CPU ou GPU como um processo ligado ao próprio app, sem comunicação entre processos, sem chamada de rede.
4. Passo 4. O modelo produz tokens de texto. No Apple Silicon isso normalmente leva algumas centenas de milissegundos para uma frase de 10 segundos; numa CPU de laptop Intel moderno leva alguns segundos; numa GPU NVIDIA dedicada é mais rápido que tempo real.
5. Passo 5. O texto é colado no seu campo de texto ativo via a API padrão de entrada de texto do sistema operacional. A mesma API que o seu teclado usa.
6. Passo 6. Quando você fecha o app, o sistema operacional recupera o buffer. Nada da gravação sobrevive ao processo. Nada é escrito em disco a menos que você ative o histórico explicitamente.

Não há chamada de rede em nenhum desses três passos. Você pode verificar isso com qualquer monitor de rede padrão: Little Snitch no Mac, Wireshark em qualquer sistema, ou os logs de firewall embutidos no seu sistema operacional.

Veja como isso fica como padrão estrutural, não como benchmark. Rode qualquer um desses apps com um monitor de rede aberto durante um ditado de 60 segundos e você verá contagens de requisições de saída na seguinte faixa. Os números exatos variam com o build, as feature flags e o estado de autenticação; a diferença entre zero e diferente de zero é o ponto de arquitetura:

Esse é o teste ao qual a gente sempre volta quando fala de "offline": não o texto de marketing, não a política de privacidade, mas uma captura de pacotes durante uma gravação real. O SnailText estar no zero é a garantia de arquitetura. O Wispr Flow em Modo Privacidade estar em um ou dois é honesto quanto ao desenho dele, porque o áudio ainda tem que chegar a um servidor para ser transcrito; o Modo Privacidade controla o que o servidor guarda. STT na nuvem entre três e doze é o custo normal de rodar reconhecimento de fala como serviço.

A parte do "na RAM" é a garantia específica. O conteúdo da RAM não persiste entre reinicializações. Ele não é acessível a outros processos a não ser pelas regras padrão de isolamento de processos do sistema operacional. Ele não é incluído em backups do Time Machine, iCloud ou OneDrive a menos que você ative à parte um recurso que o escreva em disco. Quando você fecha o app, o buffer some.

O motivo de insistir nisso é que o detalhe de arquitetura é a verdadeira garantia de privacidade. Não há política em que você precise confiar; há apenas o caminho do código, e o caminho do código pode ser observado.

A história do GDPR e da HIPAA para o ditado offline

Os marcos legais em torno de dados de voz apertaram bastante ao longo de 2025 e 2026. Sob o Regulamento Geral de Proteção de Dados da UE, gravações de voz são dados pessoais, e impressões de voz são classificadas como dados biométricos de categoria especial quando processadas para identificação. As multas totais do GDPR passaram de €7,1 bilhões acumulados até 2026, com €1,2 bilhão aplicado só em 2025 e um aumento de 40% ano a ano em multas especificamente ligadas ao manejo indevido de dados de voz (segundo o Relatório de Conformidade GDPR 2026 da Kiteworks). Só a Autoridade Holandesa de Proteção de Dados aplicou uma multa de €30,5 milhões à Clearview AI por violações de dados biométricos envolvendo reconhecimento facial.

Nos Estados Unidos, os níveis de penalidade da HIPAA foram atualizados, em vigor desde 28 de janeiro de 2026, para uma estrutura em que violações individuais podem custar entre US$ 145 e US$ 2.190.294, dependendo da categoria de culpa, com tetos anuais de US$ 2.190.294 por tipo de violação. A Risk Analysis Initiative do Office for Civil Rights, ao longo de 2025, mirou especificamente a "shadow AI": situações em que funcionários usam ferramentas de IA de nível de consumo sem passar pelos processos formais de aquisição de fornecedor e de BAA. O ditado na nuvem que processa Protected Health Information sem um Business Associate Agreement assinado é uma violação desde a primeira transcrição, independentemente de algo dar errado depois.

O ditado offline elimina a maioria desses modos de falha porque os dados não mudam de custódia. Processamento local significa:

• Nenhum Data Processing Agreement necessário com um fornecedor de ditado, porque o fornecedor não processa os dados.
• Nenhum Business Associate Agreement necessário para a HIPAA, porque nenhuma PHI sai do controle da entidade coberta.
• Nenhuma avaliação de transferência transfronteiriça de dados, porque não há transferência.
• Nenhum Data Protection Impact Assessment para o pipeline de voz (um pode ainda ser preciso para outras partes do seu sistema como um todo).
• Nenhuma gestão de risco de fornecedor para o tratamento de dados de fala, de novo porque o fornecedor não trata dados de fala.

A própria arquitetura é o mecanismo de conformidade. Isso não quer dizer que uma organização regulada possa implantar qualquer ferramenta de ditado offline sem pensar: você ainda precisa verificar as afirmações, documentar a arquitetura e considerar casos de borda como crash dumps e canais de atualização. Mas o trabalho de conformidade de base é drasticamente menor que para um equivalente na nuvem.

Para organizações que já se debateram com auditorias SOC 2 de fornecedores, negociações de BAA e revisões de DPA para ditado na nuvem, a simplificação é a maior vantagem prática isolada de ir para o offline.

Quais apps de ditado são realmente offline (uma checagem)

Quatro apps de ditado rodam inteiramente offline por padrão em 2026: SnailText (Mac e Windows), MacWhisper (só Mac), SuperWhisper em modo local (Mac e Windows) e Voibe (só Mac). Três apps são baseados na nuvem por padrão com opções de privacidade por cima: Wispr Flow, Willow Voice e Speechify. O Aqua Voice e a maioria dos recursos de ditado do Speechify são só nuvem. A categoria é pequena o bastante para valer a pena ser concreto:

Se a garantia offline importa para você, a lista curta prática se estreita para quatro apps (nós, MacWhisper, SuperWhisper modo local, Voibe). Três desses quatro são só Mac ou Mac-primeiro. O único com paridade Mac e Windows desde o primeiro dia somos nós, o que admitimos soar interesseiro, mas é o estado real do mercado.

Apps de ditado local em 2026 - os quatro que realmente rodam no seu dispositivo

"Ditado offline" e "app de ditado local" descrevem a mesma arquitetura por dois ângulos. Offline enfatiza o que não acontece (sem ida e volta à nuvem). Local enfatiza onde o modelo roda (na sua CPU, GPU ou Neural Engine). Os dois termos apontam para a mesma lista curta de quatro apps em 2026.

Um app de ditado local significa que o modelo de fala para texto (Whisper, Parakeet ou um próprio do fornecedor) é baixado como parte da instalação do app e executado pelo seu hardware a cada ditado. Nenhum áudio é enviado. Nenhuma transcrição é armazenada remotamente. Nenhuma conta é necessária para obter uma transcrição. O fornecedor não consegue ver o que você dita nem que quisesse, porque o áudio nunca chega aos servidores dele.

Essa propriedade, verificável por monitor de rede, não por promessa, é a razão pela qual profissões reguladas (terapeutas redigindo notas de sessão, advogados redigindo trabalho privilegiado, clínicos documentando PHI) cada vez mais adotam por padrão um app de ditado local em vez de um na nuvem. O quadro de conformidade simplifica: não há processador terceiro do áudio porque o áudio nunca é transmitido. Você pode ler nossas posições específicas para terapeutas, advogados e casos de uso voltados à acessibilidade.

Quando o ditado offline tem trade-offs

O ditado offline tem cinco trade-offs práticos em relação ao STT na nuvem: modelos locais menores são tipicamente 1-7 pontos percentuais menos precisos que as variantes Large na nuvem em áudio ruidoso ou com sotaque, idiomas menos comuns têm suporte de modelo local mais fraco, a inferência usa a CPU ou GPU do seu hardware o que pesa em laptops mais antigos, a sincronização entre dispositivos exige engenharia deliberada (não há servidor central no laço por padrão) e as melhorias de precisão chegam como atualizações de software medidas em meses, em vez de atualizações contínuas de modelo na nuvem medidas em dias.

Limites de tamanho de modelo. Modelos locais compactos (tiny, base, small) rodam em qualquer máquina moderna, mas são menos precisos que os grandes modelos na nuvem para áudio muito ruidoso, sotaques muito carregados ou idiomas menos comuns. Para áudio em inglês limpo numa sala silenciosa, a diferença é pequena. Para um falante com sotaque gravando num café barulhento, a diferença pode crescer para vários pontos percentuais.

Idiomas menos comuns. O Whisper é mais forte em inglês e nos principais idiomas europeus. Para vietnamita, bengali, télugo e outros idiomas de menos recursos, a precisão do modelo local pode cair de forma significativa. Provedores de nuvem usando modelos maiores ou ajustes finos específicos de idioma muitas vezes têm vantagem aqui.

O custo de computação é o seu hardware. Rodar a inferência localmente custa eletricidade e usa a sua CPU ou GPU. No Apple Silicon e em GPUs dedicadas modernas o custo é desprezível. Em laptops mais antigos sem aceleração por GPU, pode ser perceptível e o consumo de bateria vira um fator real.

Sem sincronização ao vivo do estado do modelo entre dispositivos. Se você treina vocabulário personalizado no seu Mac, ele não sincroniza automaticamente com a sua máquina Windows porque não há servidor central no laço. Ferramentas modernas (a nossa inclusa) sincronizam por um servidor de licença com criptografia ponta a ponta, mas é uma camada que tem que ser desenhada de propósito.

As atualizações chegam como atualizações de software. Um fornecedor de STT na nuvem pode melhorar o modelo dele da noite para o dia, e a sua precisão de ditado melhora sem nenhuma ação sua. Apps locais atualizam a precisão quando lançam uma nova versão do app com um novo modelo embutido. O ciclo é de meses, não de dias.

Para a maioria do ditado de trabalhador do conhecimento em inglês ou nos principais idiomas europeus, esses trade-offs são menores. Para casos de borda específicos, a nuvem tem vantagens reais. O ponto de um desenho offline-first é tornar o padrão correto-em-privacidade, não afirmar que é sempre a melhor escolha técnica.

Como verificar se qualquer app de ditado é realmente offline

Verificar que um app de ditado roda offline leva cerca de 60 segundos com ferramentas padrão e nenhuma expertise especial:

1. Instale um monitor de rede. Little Snitch no macOS (US$ 45 pagamento único), GlassWire no Windows (existe tier grátis) ou Wireshark em qualquer sistema (grátis, código aberto).
2. Feche o app de ditado que você quer testar, depois abra o monitor de rede.
3. Abra o app de ditado e inicie uma sessão. Fale por 10-20 segundos.
4. Pare a sessão e observe o log de tráfego de saída do monitor de rede filtrado para o processo do app de ditado.
5. Um app genuinamente offline gera zero requisições de saída durante a gravação ou a transcrição. Checagens de atualização de software na inicialização e chamadas de verificação de licença são normais e separadas do ditado.

O SnailText, para referência, roda offline por padrão no Mac (Apple Silicon, M1 ou posterior) e no Windows (10 e 11, x86-64). O tier grátis é ditado local ilimitado com modelos Whisper compactos, sem necessidade de conta, sem limites de tempo. O app faz chamadas de saída apenas para checagens de atualização de software na inicialização, verificação de licença Pro (uma vez por sessão no Pro) e relatórios de erro anônimos opcionais (opt-in, desligados por padrão).

O tier Pro ($7.49/mo · $89/yr, 3 dispositivos) adiciona modelos Whisper maiores e Parakeet TDT v3 com suporte multi-idioma, expansão de dicionário e snippets, e uma garantia de reembolso de 30 dias.

FAQ