Quanto custa rodar Whisper em VPS? RAM, CPU e disco por volume de áudio

Rodar o Whisper da OpenAI em uma VPS custa entre R$ 69,90 e R$ 599/mês, dependendo do modelo escolhido e do volume de áudio processado. Um servidor com 4 GB de RAM processa até 6 horas de áudio por dia com o modelo base; para o modelo medium, são necessários 8 GB de RAM para o mesmo volume; já o large-v3 exige 16 GB ou mais para volumes superiores a 10 horas diárias.

TL;DR: Whisper base roda confortavelmente em VPS de 4 GB (R$ 69,90–119,90/mês), processando 5–10 horas de áudio/dia. Modelos maiores (medium, large) precisam de 8–16 GB e CPU com 4+ vCores para volume profissional.

A escolha do modelo Whisper e do volume de transcrições define o dimensionamento do servidor. Abaixo, detalhamos os custos reais e os requisitos por cenário.

Por que rodar Whisper em VPS própria?

APIs de transcrição cobram por minuto processado. Ao ultrapassar 20–30 horas de áudio mensais, hospedar o Whisper em infraestrutura própria sai mais barato — e elimina custos variáveis.

Uma VPS oferece controle total sobre o modelo, privacidade dos dados (o áudio nunca sai do servidor) e custos fixos previsíveis. Para integrações com agentes de IA no WhatsApp ou automação de atendimento, é a escolha mais econômica a médio prazo.

Quanto de RAM, CPU e disco o Whisper precisa por modelo?

Os requisitos variam conforme o modelo Whisper. A tabela abaixo resume o footprint de cada um:

A RAM precisa acomodar o modelo carregado mais o buffer de processamento. Processar vários áudios em paralelo multiplica a demanda — daí a importância da margem.

Quantas horas de áudio cabem em cada VPS?

O tempo de processamento depende do modelo e da CPU. Abaixo, benchmarks reais em VPS com AMD EPYC (infraestrutura Frankfurt e US-East):

VPS Lite 10 — 4 GB RAM / 2 vCores (R$ 69,90/mês)

• Modelo base: processa 1 hora de áudio em ~8–10 minutos (fator 6–7×).
• Volume/dia: até 6 horas de transcrição (execuções sequenciais).
• Uso ideal: podcasts, reuniões gravadas, atendimento com até 50 áudios/dia (média 5–10 min cada).

VPS Lite 20 — 8 GB RAM / 4 vCores (R$ 119,90/mês)

• Modelo medium: 1 hora de áudio em ~12–15 minutos (fator 4–5×).
• Volume/dia: 8–12 horas de áudio, ou até 20 horas com o modelo base.
• Uso ideal: centrais de atendimento pequenas, transcrição de chamadas, integrações com API do WhatsApp.

VPS Lite 30 — 16 GB RAM / 6 vCores (R$ 229,90/mês)

• Modelo large-v3: 1 hora de áudio em ~20–25 minutos (fator 2,5–3×).
• Volume/dia: 10–15 horas com large, ou 30+ horas com base/small em paralelo (2–3 workers).
• Uso ideal: operações com múltiplos idiomas, áudio com ruído, volume alto e exigência de máxima precisão.

Esses números consideram processamento contínuo, sem picos. Para workloads com rajadas (ex: 200 áudios recebidos em 2 horas), dimensione CPU extra ou use filas (Celery, Bull) para distribuir a carga.

Espaço em disco: quanto ocupam os áudios e modelos?

O modelo em si ocupa de 75 MB (tiny) a 3 GB (large-v3). O espaço restante guarda os áudios de entrada e as transcrições.

Referências de tamanho:

• Áudio WAV (16 kHz mono): ~1 MB/minuto → 1 hora = 60 MB.
• Áudio MP3 (128 kbps): ~1 MB/minuto → 1 hora = 60 MB.
• Áudio Opus (WhatsApp): ~0,5 MB/minuto → 1 hora = 30 MB.

Se o fluxo apaga os áudios após transcrição (prática recomendada para LGPD), 20 GB de disco (padrão das VPS Lite) comportam centenas de horas em rotação. Para retenção prolongada ou backups, considere Storage Cloud à parte (1 TB por R$ 79,90/mês).

Processamento em CPU vs GPU: vale a pena?

Whisper roda em CPU pura sem problemas. A versão original da OpenAI usa PyTorch e aproveita instruções AVX2/AVX-512 dos processadores AMD EPYC, acelerando a inferência em 2–3× comparado a CPUs antigas.

GPU acelera 5–10× o tempo de transcrição, mas adiciona custo. Um servidor GPU com NVIDIA T4 ou A4000 é indicado apenas para volumes acima de 50 horas/dia ou latências críticas (transcrição em tempo real). Para a maioria dos casos, CPU é mais econômico.

A Rollin Host oferece VPS otimizadas em Frankfurt e US-East com AMD EPYC, entregando desempenho competitivo sem a complexidade de gerenciar GPUs.

Custos reais: VPS Rollin Host para Whisper

Comparação direta entre planos VPS e capacidade de transcrição:

*Custo/hora = (preço mensal ÷ 30 dias) ÷ volume diário. Considera uso contínuo.

Para comparação, APIs de transcrição cobram R$ 0,15–0,50 por minuto, ou seja, R$ 9–30 por hora. A partir de 10–15 horas mensais, a VPS própria já se paga.

Como instalar e rodar Whisper em VPS

A configuração do Whisper é direta em qualquer VPS com Ubuntu 22.04 ou 24.04. Passo a passo básico:

# Atualizar sistema e instalar Python 3.10+
sudo apt update && sudo apt install -y python3 python3-pip ffmpeg

# Instalar Whisper (openai-whisper)
pip3 install -U openai-whisper

# Baixar e transcrever um áudio
whisper audio.mp3 --model base --language pt --output_dir ./output

O modelo é baixado automaticamente na primeira execução e fica em cache (~/.cache/whisper). Para uso em produção, integre via Python:

import whisper

model = whisper.load_model("base")
result = model.transcribe("audio.mp3", language="pt")
print(result["text"])

Para escalar (filas, workers, API REST), combine com FastAPI + Celery + Redis. Esse stack roda confortavelmente em VPS de 8 GB. Clientes integrando com n8n ou Flowise conectam via webhook HTTP.

Trade-offs: VPS própria vs API de transcrição

VPS própria (Whisper self-hosted):

• ✅ Custo fixo previsível, economiza em volume alto (>15h/mês).
• ✅ Privacidade total — áudio nunca sai do servidor (compliance LGPD).
• ✅ Controle do modelo e da latência.
• ❌ Exige setup inicial e manutenção (updates, monitoramento).
• ❌ Capacidade limitada ao hardware contratado.

API de transcrição (ex: AssemblyAI, Deepgram):

• ✅ Zero setup, escalável instantaneamente.
• ✅ Modelos otimizados e atualizações automáticas.
• ❌ Custo por minuto (caro em volume).
• ❌ Dados trafegam por terceiros (questão de compliance para saúde, financeiro).

Para startups testando MVP, APIs são práticas. Para operações com 20+ horas/mês ou dados sensíveis, VPS própria é a escolha técnica e econômica.

Principais aprendizados

• Whisper base em 4 GB (R$ 69,90/mês) atende até 6 horas/dia — ideal para pequenas operações de atendimento.
• Modelos medium e large exigem 8–16 GB e CPU com 4+ vCores para volume profissional (10–15 horas/dia).
• Custo por hora transcrita em VPS própria cai para R$ 0,40–0,65, contra R$ 9–30/hora em APIs pagas.
• CPU AMD EPYC entrega desempenho competitivo sem GPU; aceleração via GPU só vale acima de 50 horas/dia.
• Self-hosting garante privacidade total e compliance com LGPD — requisito para saúde, financeiro e dados sensíveis.

Perguntas frequentes

Qual modelo Whisper usar em uma VPS de 4 GB?

O modelo base é a melhor escolha para 4 GB de RAM. Oferece boa precisão para português claro e processa até 6 horas de áudio por dia. Para áudios com sotaque ou ruído, considere subir para 8 GB e usar o medium.

Quantas horas de áudio por dia uma VPS de 8 GB processa?

Uma VPS de 8 GB com 4 vCores processa 10–12 horas/dia com o modelo medium, ou até 20 horas/dia com o base. O fator limitante é a CPU; execuções paralelas exigem mais cores.

Whisper consome muita CPU durante a transcrição?

Sim. Durante o processamento, a CPU fica em 90–100% de uso. Por isso, dimensione vCores de acordo com o volume: 2 vCores para uso leve (até 6h/dia), 4+ vCores para operações contínuas acima de 10 horas.

Vale a pena usar GPU para rodar Whisper?

Apenas se o volume ultrapassar 50 horas/dia ou se a latência for crítica (transcrição quase em tempo real). GPUs aceleram 5–10×, mas custam 3–5× mais que VPS de CPU. Para a maioria dos cenários, CPU AMD EPYC é suficiente e mais econômica.

Como integrar Whisper com API do WhatsApp?

Configure um servidor HTTP (FastAPI ou Flask) que receba webhooks com os áudios do WhatsApp, processe via Whisper e retorne a transcrição. A API do WhatsApp Rollin Host envia áudios via webhook; você captura, transcreve e responde. Para automação completa, combine com agente de IA.

Quanto espaço em disco os modelos Whisper ocupam?

Modelo base: 140 MB. Modelo medium: 1,5 GB. Modelo large-v3: 3 GB. Some a isso o espaço para os áudios processados (1 hora de áudio = 30–60 MB). 20 GB de disco (padrão nas VPS) acomodam modelos e centenas de horas em rotação.

Precisa dimensionar uma VPS para transcrição ou integrar Whisper com automação? A Rollin Host oferece VPS otimizadas em Frankfurt e US-East, com AMD EPYC e provisionamento em ~5 minutos. Converse com o time no WhatsApp e receba a configuração ideal para o seu volume de áudio.