Sussurro

Ditado para Windows e Linux: fale no microfone e o texto aparece digitado/colado onde o cursor estiver. Com modelo local (Turbo ou Large-v3) tudo roda na sua máquina e nenhum áudio sai do computador. A nuvem (ElevenLabs Scribe ou Grok da xAI) é opcional: no ditado, cai pro Turbo local se a rede falhar, e na reunião transcreve e separa as vozes sem precisar de GPU.

Site · Release v0.10.0 · Changelog

O caminho do áudio é: microfone → Silero VAD (segmentação de fala) → faster-whisper Turbo/Large-v3 local ou STT na nuvem, com uma HUD Tkinter discreta e uma barra de overlay que indica gravação/transcrição.

Requisitos

• Windows 10/11 ou Linux (X11/Wayland + PulseAudio ou PipeWire)
• Python 3.11
• CPU para transcrição local; GPU NVIDIA com CUDA é opcional e acelera o ditado
• Microfone qualquer (a captura tenta 16 kHz e, se o dispositivo não aceitar, reamostra da taxa nativa)
• Linux, para colar via clipboard: wl-clipboard e wtype (Wayland) ou xclip/xsel (X11). Em Wayland, configure um atalho no compositor para encaminhar os comandos de gravação. Sem ferramenta de clipboard o envio colar cai no modo digitar.

Instalação

Os comandos abaixo instalam o suporte a GPU NVIDIA. Sem GPU dedicada, troque requirements-cuda.txt por requirements.txt: a instalação em CPU dispensa os pacotes CUDA.

Com uv (recomendado):

Windows:

uv venv --python 3.11
uv pip install -r requirements-cuda.txt --override overrides-cuda.txt

Linux:

uv venv --python 3.11
uv pip install -r requirements-cuda.txt --override overrides-cuda.txt

O --override troca o onnxruntime de CPU (que o faster-whisper puxa) pelo onnxruntime-gpu, usado pela separação de vozes das reuniões. Sem ele os dois pacotes brigam pelo mesmo módulo e a separação de vozes não acha a GPU.

Ou com venv + pip:

Windows:

python -m venv .venv
.venv\Scripts\pip install -r requirements-cuda.txt

Linux:

python3.11 -m venv .venv
.venv/bin/pip install -r requirements-cuda.txt
.venv/bin/pip uninstall -y onnxruntime onnxruntime-gpu
.venv/bin/pip install --no-deps onnxruntime-gpu==1.24.4

As bibliotecas de CUDA (cublas, cudnn) vêm dos wheels da NVIDIA listados no requirements-cuda.txt (nvidia-cublas-cu12 / nvidia-cudnn-cu12). No Windows o app.py registra site-packages\nvidia\*\bin via os.add_dll_directory() e prefixa o PATH. No Linux pré-carrega os .so em nvidia/*/lib (e lib64) — sem isso a transcrição falha com DLL/.so de cublas ausente. Se você instalar as dependências fora de um venv na raiz do projeto, garanta que esses pacotes estejam visíveis no ambiente usado para rodar.

Fontes no Linux: use o Python do sistema

O Tk que vem com o CPython do uv (python-build-standalone) é compilado sem Xft: a interface sai com fontes bitmap, sem antialias. Crie o venv com o Python do sistema (/usr/bin/python3, com o tk da distro) e as fontes ficam certas. O app.py funciona do 3.11 ao 3.14.

Omarchy / Hyprland

No Omarchy a barra de gravação segue o monitor do cursor e ganha cantos recortados pelo compositor, e a aba OMARCHY aciona o ditado pelo headset MCHOSE X9 sem tocar no PC (roda de volume invertida rápido ou toque duplo no mute, com Enter automático ao terminar). Regras de janela, regra udev e instruções em contrib/omarchy/.

Pra cancelar sem mirar no X da barra, use sussurro cancel (ou python app.py cancel). Ele descarta o ditado atual, inclusive enquanto termina de processar. Sem ditado, responde ok sem efeito. toggle durante a gravação confirma e transcreve, não cancela. Texto já colado no modo simultâneo não é apagado. Bind sugerido no Hyprland: Super+Shift+Escape executando sussurro cancel, conforme o exemplo de configuração.

Ditar e enviar no chat

sussurro toggle-enter começa o ditado e, no segundo acionamento, para, cola o texto no campo de destino e aperta Enter depois da última colagem. Use só onde Enter envia a mensagem. Pra revisar antes de enviar, use sussurro toggle, sem -enter.

Bind sugerido no Omarchy com configuração Lua:

o.bind("SUPER + ALT + RETURN", "Ditar e enviar no chat", "sussurro toggle-enter")

Na configuração .conf do Hyprland:

bind = SUPER ALT, Return, exec, sussurro toggle-enter

Deixe o campo do chat focado antes de começar. sussurro cancel descarta o ditado e não envia Enter, mas não desfaz texto já colado. O comando também funciona como python app.py toggle-enter. A configuração do bind é manual, o app não altera seus atalhos.

Como rodar

Windows:

.venv\Scripts\activate
python app.py

Sem terminal (janela própria, sem console):

.venv\Scripts\pythonw.exe app.py

Linux:

source .venv/bin/activate
python app.py

Na primeira execução o modelo local é baixado pelo faster-whisper; as próximas usam o cache local. O botão GRAVAR só é liberado após carregar e aquecer o modelo. O padrão é o Turbo, na GPU NVIDIA se houver e na CPU se não. O seletor mostra o nome real da GPU NVIDIA e do processador encontrados na máquina.

Fechar a janela (X ou Super+W) encerra o app de vez, motor e atalhos juntos, como qualquer programa. Uma reunião gravando fica no cache e a próxima abertura oferece salvar. Com o app aberto, sussurro show traz a janela e sussurro quit encerra pelo terminal.

Escolha do modelo

No card de configuração, escolher em MODELO ou EXECUTAR EM já troca o modelo, sem reiniciar; a troca só é aceita fora de um ditado ou transcrição em andamento (recusada, o combo volta pro modelo ativo). EM USO AGORA mostra o que transcreve o próximo trecho: verde quando é o escolhido, laranja quando a nuvem caiu e o Turbo local assumiu ou quando o outro provedor de nuvem respondeu, vermelho sem modelo (VRAM cheia, por exemplo). O status de cada trecho diz com qual motor saiu e o histórico guarda isso no campo engine. python app.py status mostra o modelo e dispositivo ativos. A preferência só é salva depois que o modelo carrega; se a troca falhar, o app tenta recuperar o anterior pelo cache.

Modelo	Onde roda	Quando usar
Turbo	local, GPU ou CPU	padrão: rápido, privado, ~1,3 GB de VRAM
Large-v3	local, GPU ou CPU	mais preciso que o Turbo, ~2,1 GB de VRAM
ElevenLabs Scribe	nuvem	melhor em termos técnicos, zero VRAM
Grok (xAI)	nuvem	quase igual ao Scribe, mais rápido, zero VRAM

Os modelos locais ficam carregados na VRAM o tempo todo, mesmo parados. Os de nuvem não ocupam a GPU: o áudio do ditado vai por HTTPS e volta como texto. Em 31 termos técnicos ditados em português (nomes de produto, siglas, inglês no meio da frase), o Scribe acertou 29, o Grok 28 e o Large-v3 local 18. Em troca, a nuvem leva de 1,5 a 3 s por trecho, contra ~0,7 s do local numa RTX 4070 Ti Super. Na CPU, sem GPU NVIDIA, os locais ficam lentos e a nuvem é o caminho para ditado fluido.

A qualidade depende do idioma, ruído, sotaque e vocabulário: compare com suas gravações na aba COMPARAR.

Nuvem: credenciais, fallback e privacidade

• ElevenLabs Scribe lê a chave de ELEVENLABS_API_KEY ou do chaveiro do sistema: secret-tool store --label='ElevenLabs (Sussurro)' servico elevenlabs tipo api-key.
• Grok (xAI) lê XAI_API_KEY ou reaproveita o login do Grok CLI (~/.grok/auth.json, criado por grok login). O token expirado é renovado pelo próprio CLI.
• Nenhuma chave vai para settings.json nem aparece em log ou mensagem de erro. Sem credencial, o seletor recusa a troca e o modelo atual continua.
• Fallback: se a nuvem falhar (rede, cota, timeout), o mesmo trecho é transcrito no Turbo local, que carrega na hora. Por 60 s os trechos seguintes vão direto pro local; depois a nuvem é tentada de novo e a barra avisa quando voltou. O Turbo emprestado sai da VRAM após 2 min sem uso; fica só o contexto CUDA do processo (~200 MB) até reabrir o app.
• A reunião tem seu próprio MOTOR, separado do ditado (veja Reuniões). No padrão Local, com ditado na nuvem, a aba REUNIÃO usa o Turbo local, carregado só enquanto precisa.
• Escolher um modelo de nuvem é escolher mandar o áudio do ditado para o provedor, e escolher um MOTOR de nuvem na reunião é mandar o áudio dela. Com modelo e motor locais, nada sai do PC.

Se houver uma GPU AMD junto da NVIDIA, o Sussurro a identifica e explica seu estado abaixo do seletor, mas não oferece um botão AMD que falharia. O pacote Python normal do CTranslate2 usa CUDA; AMD requer uma compilação ROCm/HIP separada. Os dois backends não se somam para acelerar um único ditado, e manter a AMD livre evita disputar memória compartilhada quando ela é integrada ao processador.

O Turbo reduz o decodificador do large-v3 de 32 para 4 camadas, com uma pequena perda de qualidade reportada pelos autores. INT8 reduz a precisão numérica para economizar memória. Fontes: modelo oficial Turbo e faster-whisper. Não incluímos modelos .en ou distil-large-v3, que são voltados ao inglês, na seleção para ditado em português.

Comparar a mesma frase entre modelos

Abra a aba COMPARAR, selecione os modelos e clique em Gravar frase. Os de nuvem vêm desmarcados: marque só se quiser mandar a frase pro provedor. Fale uma vez e clique em Parar e comparar. O áudio do microfone selecionado é limitado a 30 segundos e reutilizado em todos os modelos. Você também pode carregar um WAV PCM de 16 bits, mono ou estéreo, de até 30 segundos.

• Paralelo (2 por vez): até dois modelos executam ao mesmo tempo. Eles dividem os recursos; os tempos refletem essa disputa.
• Individual (1 por vez): um modelo termina antes de começar o seguinte, facilitando a comparação de velocidade.
• Por modelo: texto reconhecido, dispositivo/precisão, tempo de transcrição após aquecimento, carga/aquecimento, preparo/download e espera total desde o início da comparação (incluindo fila).
• Comparar novamente: reutiliza a mesma frase com outra seleção de modelos, dispositivo ou modo, sem gravar de novo.
• Cancelar: encerra os processos da comparação e libera seus modelos. A falha de um modelo aparece na própria linha e não impede os demais de terminar.

Todos recebem exatamente o mesmo WAV, idioma e beam_size=5, sem substituições da Biblioteca, para expor as diferenças de reconhecimento. O primeiro uso baixa os pesos. A comparação usa processos separados e mantém o modelo normal de ditado intacto; enquanto grava/compara, o ditado, a troca de modelo e a transcrição de arquivos do app ficam bloqueados para evitar interferência. Outros aplicativos ainda podem disputar CPU/GPU. Se faltar VRAM, tente Individual, menos modelos ou CPU.

O áudio de comparação fica apenas na memória e em um WAV temporário sob ~/.cache/sussurro/compare, removido ao terminar/cancelar; ele não depende da cota do /tmp compartilhado. Os testes não entram no histórico de ditados. Resultados ficam na aba enquanto o app estiver aberto. O comparador não calcula uma nota de precisão: leia as transcrições e compare com a frase que você falou.

Atualizar de uma versão antiga

Feche o Sussurro, atualize o código (git pull --ff-only, em um checkout sem alterações pendentes), atualize as dependências e abra novamente. Vindo de antes das reuniões, na instalação CUDA troque o onnxruntime de CPU pelo de GPU: uv pip uninstall onnxruntime e depois uv pip install -r requirements-cuda.txt --override overrides-cuda.txt. Se baixou um ZIP, extraia a nova versão e preserve settings.json, library.json e history/ da instalação anterior.

Quem usava Automático, Tiny, Base, Small, Medium ou Parakeet passa para o Turbo ao atualizar; Turbo e Large-v3 continuam como estavam. Histórico, biblioteca e demais preferências são preservados. Para liberar disco, apague o cache antigo do Parakeet em ~/.cache/sussurro/models/parakeet-*. Não há atualizador automático: é necessário instalar a nova versão.

Como usar

• Atalho global de mouse — o botão configurado (padrão: lateral 2 / "frente") liga e desliga a gravação em qualquer aplicativo. No Windows o clique é suprimido, então não vira "voltar/avançar" no browser. No Linux o clique também chega ao aplicativo debaixo (pynput não suprime o evento). Em Setar você clica o botão desejado (meio, lateral 1 ou lateral 2) para redefinir.
• Ação — alternar (clique liga/desliga) ou segurar (push-to-talk).
• Microfone — no Linux com PipeWire, só Padrão do PC (segue o microfone padrão do sistema) e os microfones físicos conectados, pelo nome do aparelho (MCHOSE X9, FIFINE Microphone). Os plugins do ALSA (lavrate, speex, upmix...), monitores e sinks virtuais não aparecem. Um microfone específico grava pela rota pulse com PULSE_SOURCE, então funciona mesmo com o PipeWire segurando o aparelho. Sem PipeWire (ou no Windows) a lista volta a ser a do PortAudio.
• Fonte — microfone (entrada), audio do PC (o que está saindo nas caixas/fones: loopback WASAPI no Windows, monitor Pulse/PipeWire no Linux) ou os dois (mistura mic + PC antes do VAD/whisper).
• O áudio do PC (audio do PC / os dois) é sempre a saída padrão do sistema.
• Transcrição — simultaneo: trechos vão aparecendo conforme você pausa entre frases (corte por VAD após ~0,7 s de silêncio); final: acumula tudo e transcreve de uma vez ao parar.
• Formatação — depois do whisper, o texto ganha ponto em cláusula nova e quebra de parágrafo em pausa longa (~1,5 s, não na respiração de 0,7 s) e uma linha nova antes de âncoras faladas (Pergunta 7, Questão 12, Primeiro/Segundo/Terceiro). Não reescreve nem tira “né/sabe”. Vale no colar, no histórico e no copiar. Ditados antigos ficam como estão.
• Envio — colar: no Linux, foca a janela (e o campo web) sob o mouse e cola via Ctrl+V. No Windows cola via Ctrl+V no campo onde o cursor estiver. No Windows o clipboard original é preservado em todos os formatos; no Linux o backup é só texto (wl-copy/xclip/xsel). digitar: simula teclado.
• Idioma — pt, en ou auto.
• : desligados por padrão. Ative o switch nas configurações para ouvir tons curtos e baixos ao iniciar/parar o ditado ou quando houver erro. Não interrompem a captura nem o áudio do histórico. Com um áudio já tocando pelo Sussurro, o tom é omitido. Se capturar o áudio do PC, os tons também podem entrar nessa trilha.

Reuniões (Linux)

A aba REUNIÃO grava o seu microfone e o que o PC toca em duas trilhas separadas, e ao parar transcreve com quem falou o quê. Funciona com qualquer app de chamada, porque só escuta o áudio do sistema: nenhum bot entra na call. Portado do Meeting Recorder de Jankees van Woezik (MIT), trocando o whisper.cpp na CPU pelo modelo do ditado na GPU.

O combo MOTOR, ao lado de Importar áudio, escolhe quem transcreve e separa as vozes:

Motor	Onde roda	Quando usar
Local · modelo do ditado	modelo do ditado + Nemotron na GPU	padrão: nada sai da máquina
Grok (xAI) · nuvem	xAI transcreve e separa as vozes	notebook sem GPU NVIDIA
ElevenLabs Scribe · nuvem	ElevenLabs transcreve e separa as vozes	idem; aceita o número fixo de falantes

Na nuvem, cada lado sobe uma vez, em Opus a 32 kbit/s e só com os trechos de fala (silêncio e eco ficam de fora), e os dois lados vão em paralelo. O Nemotron não é carregado e o ditado continua livre durante a transcrição. Uma reunião real de 9 min saiu em 10 s pelo Grok e 14 s pela ElevenLabs num notebook sem GPU dedicada; o arquivo misturado de 9 min, com as duas vozes separadas pelo provedor, em 35 s e 17 s. Se o provedor escolhido falhar, a reunião vai pro outro, se houver credencial dele. As credenciais são as mesmas do ditado na nuvem.

A bolinha mostra REUNIAO em azul com o tempo gravado, mesmo fora da aba. Pausada, fica cinza e o relógio para. Durante um ditado a bolinha prioriza o ditado e volta à reunião quando ele termina. O indicador da reunião não tem X nem confirmar, para não parar uma call por engano.

sussurro meeting-start|meeting-stop|meeting-pause espera o resultado do painel. ok confirma o comando aplicado. err sai com código 1, inclusive quando há gravação interrompida aguardando recuperação ou o painel está indisponível. Se o comando não confirmar a tempo, confira o estado antes de repetir.

• Antes de começar, os dois medidores já mostram o microfone e o áudio do PC. Nome e idioma podem mudar durante a call; Pausar congela as duas trilhas.
• Cada lado é transcrito separado, então duas pessoas falando juntas ou música por baixo não apagam a voz mais baixa, e o lado de cada frase é a própria trilha (Você / Remoto). Sem fone, a voz dos outros vaza no seu microfone; o eco é reconhecido e fica de fora.
• Várias vozes no mesmo lado (um colega do seu lado, três pessoas do outro) são separadas pelo Nemotron 3 Diarization da NVIDIA na GPU, ou pelo provedor com MOTOR de nuvem: Remoto 1, Remoto 2 e assim por diante. Cada falante ganha um campo de nome e uma cor.
• Importar áudio transcreve um arquivo qualquer que o ffmpeg lê (memo do celular, call gravada em outro lugar), separando as vozes; o número de falantes pode ser fixado.
• Na tela da reunião: clique numa linha para ouvir dali, renomeie falantes, copie a transcrição em Markdown, abra a pasta ou transcreva de novo em outro idioma. A Biblioteca vale aqui também.
• Se o app cair gravando, as trilhas já estão no cache e a aba oferece salvar ou descartar na próxima abertura.
• Atalhos: python app.py meeting-start, meeting-stop e meeting-pause controlam a gravação sem abrir a janela.

Cada reunião vira uma pasta em ~/Documentos/Reuniões (a pasta de documentos do xdg-user-dir), com o prefixo de data para ordenar: audio.ogg (os dois lados nivelados), transcricao.md, reuniao.json (falas, nomes e modelo) e .trilhas/ com cada lado separado, que é o que "Refazer" usa. Requer parec/pacat (libpulse) e ffmpeg com Opus. O modelo de vozes (~200 MB) baixa no primeiro uso do motor Local.

Pela linha de comando, sussurro_meeting.py transcribe mic.ogg pc.ogg --model cloud-xai (ou cloud-elevenlabs, e transcribe-file audio.ogg --speakers 2) roda o mesmo caminho de nuvem.

No bench do Meeting Recorder (os casos de teste dele com gabarito, rodado com sussurro_meeting.py), com Turbo na GPU: 97,2% das palavras com a pessoa certa na call (o app original: 94,1%), 93,5% no arquivo importado (90,7%) e 99,4% numa reunião real do corpus AMI (97,6%), em 2 a 6 s por caso contra 20 a 160 s do original na CPU.

Desempenho e diagnóstico no Linux

O comando sussurro toggle usa um cliente leve de socket, sem importar Tk, áudio ou CUDA. A interface consulta os comandos a cada 20 ms. No Linux, o microfone abre primeiro na taxa nativa do dispositivo, com blocos de 20 ms; os blocos que ainda estão no mixer são enviados antes de encerrar o ditado.

A cópia via wl-copy/xclip não captura os pipes dos processos que ficam servindo o clipboard. Capturá-los provocava um timeout de 2 segundos e acionava a digitação de reserva. A restauração do clipboard aguarda 400 ms em segundo plano, respeita cópias feitas pelo usuário durante essa espera e mantém a ordem entre colagens consecutivas.

O padrão é large-v3-turbo: em GPU NVIDIA com CUDA e int8_float16, em CPU com int8. Se o hardware não suportar essa precisão, é usada uma alternativa suportada. A decodificação usa beam_size=5. O aquecimento consome o gerador de transcrição e inicializa o VAD antes de liberar a gravação. No modo final, os blocos são concatenados uma única vez e o VAD é executado pelo faster-whisper, evitando uma segunda varredura do mesmo áudio.

• sussurro status: informa se o modelo está pronto, se está gravando e se ainda há trabalho pendente.
• sussurro-performance.log: registra duração do áudio, tempo de transcrição, tempo de entrega e tempo desde o comando de parada. Não contém áudio nem texto ditado. Rotação de 1 MB, com duas cópias anteriores.
• Testes de regressão: .venv/bin/python -m unittest discover -s tests -v.

Os exemplos com sussurro pressupõem um launcher local com esse nome; ele não é instalado automaticamente. Com o ambiente virtual ativado, também é possível chamar os comandos diretamente no diretório do projeto:

python app.py toggle
python app.py status

Em Wayland, a injeção usa wtype; configure o atalho do compositor para executar o Python do ambiente virtual e o app.py usando caminhos absolutos, com o argumento toggle (ou start/stop).

O que fica só na sua máquina

• history/ — gravações WAV e transcrições das suas sessões (indexadas em history.jsonl). É conteúdo seu e privado; não versionamos.
• settings.json — preferências locais (atalho, microfone, idioma etc.). Também fica de fora do git.
• library.json — sua biblioteca de correções de palavras. Também fica de fora do git.
• sussurro.log — log escrito quando rodando sob pythonw.

Todos estão no .gitignore. Com modelo local, nada é enviado para serviço externo: captura, VAD, modelo e injeção de texto são 100% locais. Com ElevenLabs Scribe ou Grok, o áudio de cada trecho do ditado vai para o provedor escolhido (ou pro local, se ele falhar), assim como o do Refazer e o do sussurro transcribe, que usam o modelo atual. O áudio de reunião só sai do PC com um MOTOR de nuvem escolhido na aba REUNIÃO. Pastas de reunião, histórico, biblioteca e configurações nunca saem do PC.

Linux — o que ainda é limitado

• A instalação padrão acelera na GPU NVIDIA/CUDA. CTranslate2 também pode ser compilado separadamente com ROCm/HIP, mas essa build não convive com a build CUDA no processo atual; por isso uma AMD detectada é informada, não oferecida como opção falsa. GPUs AMD/Intel usam CPU nesta instalação.
• Wayland: pynput não fornece o atalho global; use o cliente de socket com um atalho do compositor e instale wtype para enviar teclas.
• Overlay da barra: sem chroma-key (-transparentcolor é Windows); cantos da janela ficam opacos.
• Área útil do monitor: a tela Tk inteira, sem recorte por painel/multi-monitor.
• Clique do atalho não é comido pelo sistema.

Licença

MIT

Transcrição de arquivo pelo IPC

sussurro transcribe /caminho/audio.wav devolve JSON na saída padrão. Sucesso tem "ok": true e os campos do registro do histórico. Falha tem "ok": false, "error" e código de saída 1.

Durante um ditado, inclusive enquanto os últimos trechos ainda estão sendo entregues, o arquivo é recusado antes de usar o modelo. O Hermes pode tentar de novo depois que o ditado terminar. Exemplo de resposta:

{"ok": false, "error": "RuntimeError: Modelo ocupado com ditado; aguarde o ditado terminar e tente novamente."}

Uma recusa por ocupação não cria histórico nem altera o status do ditado. Arquivo sem fala continua retornando o diagnóstico no JSON, sem criar histórico ou status de erro na interface.

Liberar espaço do histórico

Na aba HISTÓRICO, Liberar espaço pede uma idade em dias (30 por padrão) e mostra quantos WAVs e MiB serão removidos. A confirmação começa em Não. Só são removidos áudios mais antigos que essa idade e que já tenham texto salvo. Áudios sem texto, recentes e arquivos fora do histórico são preservados.

Os textos, datas, estatísticas e correções ficam no histórico. Os itens passam a mostrar Sem áudio e continuam disponíveis para copiar. Depois da remoção não dá pra ouvir ou Refazer esses áudios. A operação é manual, sem limpeza automática, e não pode ser desfeita. Pare a reprodução e aguarde trabalhos ativos antes de usar.