GPT Transcribe vs GetAnyTranscript: qual você precisa?

A OpenAI lançou o GPT Transcribe em 28 de julho de 2026. É um upgrade real sobre o Whisper, e também é fácil entender errado para que ele serve.

Ele substitui o motor. Não substitui o fluxo de trabalho.

O GPT Transcribe é um modelo de API. Você manda um arquivo de áudio e um pouco de código, e recebe texto de volta. Ele não aceita link do YouTube, não gera arquivo de legenda e não tem plano gratuito. Se você já tem um pipeline de transcrição rodando, é um upgrade barato e preciso. Se você tem um link na área de transferência e quer o texto em dez segundos, não é isso que você procura.

Veredito rápido: o GPT Transcribe é o novo modelo de voz para texto da OpenAI e custa 0,0045 dólar por minuto de áudio. Aceita arquivos de áudio de até 25 MB pela API e devolve JSON com texto puro. O GetAnyTranscript é uma ferramenta web: você cola um link do YouTube, TikTok ou Instagram e recebe uma transcrição com marcações de tempo, sem código e sem conta para testar.

O que o GPT Transcribe é de verdade

A OpenAI lançou dois modelos em 28 de julho de 2026, os dois para substituir o Whisper:

• gpt-transcribe cuida de arquivos de áudio já prontos, a 0,0045 dólar por minuto. É o caminho direto de migração a partir do whisper-1.
• gpt-live-transcribe cuida de áudio em streaming contínuo para legendas ao vivo, a 0,017 dólar por minuto. Substitui o gpt-realtime-whisper.

Os endpoints não mudaram. Transcrição de arquivo continua em /v1/audio/transcriptions e transcrição ao vivo continua passando por uma sessão de Realtime. O que mudou foi o formato da requisição. O cookbook de migração da OpenAI lista as diferenças: o antigo campo language virou um array languages, um novo array keywords carrega termos literais como códigos de produto e nomes de medicamento, e o prompt ficou reservado para descrever o contexto da gravação. Dá também para receber a transcrição de um arquivo em streaming, então o texto vai chegando enquanto é processado em vez de vir tudo de uma vez no fim.

Vale esclarecer uma coisa logo de cara, porque quase todo artigo sobre ChatGPT e transcrição erra nisso: o GPT Transcribe não é um botão dentro do ChatGPT. É um modelo de API. Usar ele significa conta da OpenAI com cobrança ativa, uma chave de API e código que abre um arquivo e envia. Não existe página onde você entra e solta um vídeo.

GPT Transcribe vs GetAnyTranscript, lado a lado

Quase toda linha se resume ao mesmo fato. O GPT Transcribe é uma peça com a qual você constrói. O GetAnyTranscript é uma ferramenta pronta. Elas não estão na mesma prateleira.

O problema do link

Essa é a lacuna que importa para a maior parte de quem procura GPT Transcribe.

O GPT Transcribe lê arquivos de áudio. Uma URL do YouTube não é um arquivo de áudio, é um endereço. Nada no guia de voz para texto da OpenAI fala em entrada por URL, porque o endpoint não tem esse campo. Cole um link no ChatGPT e peça a transcrição: ele vai dizer que não consegue acessar o áudio.

Para sair de um link e chegar no texto com o GPT Transcribe, os passos que faltam ficam com você:

1. Baixar o vídeo da plataforma
2. Extrair a faixa de áudio e converter para um formato aceito
3. Conferir o tamanho do arquivo e dividir se passar de 25 MB
4. Enviar cada pedaço para a API e juntar os resultados de novo
5. Lidar com a plataforma bloqueando seu downloader, o que acontece

Isso é um projeto de fim de semana na primeira vez e manutenção depois disso. E é exatamente a parte que o GetAnyTranscript faz por você: cola o link no gerador de transcrição, aperta o botão, lê o texto. O gerador de transcrição do YouTube e o gerador de transcrição do TikTok são o mesmo fluxo com o tratamento específico de cada plataforma. Se você chegou aqui procurando uma alternativa ao GPT Transcribe que aceite URL, essa página tem a ferramenta nela.

Legenda e marcação de tempo continuam sendo trabalho do Whisper

Essa é a parte do lançamento que pega muita gente de surpresa. O próprio guia de migração da OpenAI manda você não trocar se precisa de legenda:

O gpt-transcribe devolve texto em JSON. O parâmetro timestamp_granularities, que dá o tempo palavra por palavra, está documentado como suportado só no whisper-1. Ou seja, o modelo mais novo é pior que o de 2022 no trabalho de transcrição mais comum da internet, que é fazer legenda.

Identificar quem fala é outro modelo ainda. Se você precisa saber quem disse o quê, a documentação aponta para o gpt-4o-transcribe-diarize com response_format: "diarized_json", que nem existe na Realtime API. E traduzir áudio para o inglês continua passando pelo endpoint mais antigo /v1/audio/translations.

Três tarefas, três modelos. É uma troca justa para um time construindo um produto. É coisa demais para lembrar se você só queria uma transcrição.

O GetAnyTranscript devolve blocos com marcação de tempo em toda execução, então dá para pular para um momento e copiar a linha exata. Ele também não exporta arquivo SRT nem VTT, e isso precisa ser dito com todas as letras. Se o que você quer é arquivo de legenda, nenhum dos dois é a resposta e o whisper-1 continua sendo.

O teto dos 25 MB

Os uploads para o endpoint de transcrição são limitados a 25 MB, e os formatos aceitos são mp3, mp4, mpeg, mpga, m4a, wav e webm.

Na prática esse teto chega mais cedo do que as pessoas esperam. Um MP3 a 128 kbps ocupa cerca de 0,96 MB por minuto, então 25 MB dão mais ou menos 26 minutos de áudio. Caindo para 64 kbps em mono você chega perto de 50 minutos. Um podcast de uma hora em qualidade normal não cabe, e um WAV mal aguenta alguns minutos.

A orientação da OpenAI é comprimir ou dividir, e evitar cortar no meio da frase porque o modelo perde o contexto em volta e a precisão cai. Escrever um divisor que respeite o fim das frases não é difícil, mas é mais uma coisa que fica na sua mão.

O GetAnyTranscript tem o teto dele aqui, e é mais apertado: 15 minutos por vídeo. Vídeos mais longos são recusados em vez de cortados. Se você transcreve entrevistas de uma hora com frequência, o caminho da API com a sua própria divisão é a melhor ferramenta.

Quanto custa, sem enfeite

0,0045 dólar por minuto é barato. Um vídeo de 10 minutos custa 4,5 centavos de API. Uma hora custa 27 centavos.

O GetAnyTranscript cobra um crédito por vídeo, não importa a duração, e o pacote de entrada é 5,99 dólares por 60 créditos, ou seja uns 10 centavos por vídeo. No preço bruto por vídeo de 10 minutos a API ganha: 4,5 centavos contra 10.

Essa comparação só é justa se você ignorar o que cada preço inclui. O número da API cobre a conversão de voz para texto e mais nada. Não cobre tirar o áudio do YouTube, nem o armazenamento, nem a divisão, nem as tentativas que falham, nem o resumo, nem o seu tempo. Os 10 centavos cobrem o caminho inteiro do link até o texto pronto mais as seis saídas extras. Qual sai mais barato depende de quanto vale o seu tempo.

Mais dois detalhes de custo que vale saber. A API da OpenAI não tem plano gratuito, então testar o GPT Transcribe passa por colocar dinheiro na conta antes. O GetAnyTranscript dá uma cota gratuita todo mês sem cadastro, o bastante para decidir se o resultado presta antes de pagar qualquer coisa.

Onde o GPT Transcribe é a melhor escolha

Tem trabalho em que a API é claramente a escolha certa.

Lotes de arquivos que você já tem. Centenas de ligações gravadas num bucket, rodando de madrugada. Preço por minuto nesse nível é muito difícil de bater.

Legenda ao vivo. O gpt-live-transcribe vai soltando transcrições parciais com um ajuste delay que troca latência por precisão final. O GetAnyTranscript não processa áudio ao vivo, ponto.

Vocabulário específico. O novo campo keywords aceita strings literais como números de conta, nomes de remédio ou nomes internos de produto, e o modelo trata isso como dica, não como texto obrigatório. Para áudio médico, jurídico ou de suporte esse é um ganho real de precisão que uma ferramenta genérica não alcança.

Qualquer coisa que você mesmo esteja construindo. Se transcrição é uma funcionalidade dentro do seu produto, o que você quer é o modelo, não a interface de outra pessoa.

Onde o GetAnyTranscript fica devendo

A lista honesta, porque você ia descobrir nos primeiros cinco minutos de qualquer jeito:

• Limite de 15 minutos por vídeo. Podcast longo e aula inteira estão fora hoje.
• Upload de arquivo ainda não está no ar. O botão existe e avisa que está chegando. Por enquanto a ferramenta funciona só com URL, que é o outro lado da principal virtude dela.
• Quatro plataformas. YouTube, TikTok, Instagram e Reels. Nada de Vimeo, nada de Twitch, nada de link para um MP3 no seu próprio servidor.
• Sem identificação de quem fala. Entrevista e mesa redonda voltam como texto corrido, sem indicação de quem está falando.
• Sem exportar SRT nem VTT. Blocos com marcação de tempo na tela, mas não um arquivo de legenda.

Quem deve escolher o quê

Escolha o GPT Transcribe se você programa, já tem o áudio em arquivos, transcreve em volume ou em tempo real e quer ser dono do pipeline. Reserve um dia para o encanamento e lembre de manter o whisper-1 por perto para qualquer coisa que envolva marcação de tempo ou legenda.

Escolha o GetAnyTranscript se o que você tem é um link, o vídeo tem menos de 15 minutos e você quer a transcrição mais um resumo e um conjunto de ganchos sem abrir editor nenhum. Estudante puxando citação de aula, criador garimpando o vídeo do concorrente, pesquisador lendo uma entrevista traduzida para um de dez idiomas. A gente percorreu esse fluxo em detalhe quando olhou qual é a precisão real das legendas automáticas do YouTube. Sem código, e com cota gratuita todo mês para testar.

Muita gente acaba usando os dois. A ferramenta web para links avulsos, a API para o lote.

Perguntas frequentes

O GPT Transcribe é gratuito?

Não. O GPT Transcribe custa 0,0045 dólar por minuto de áudio pela API da OpenAI, e a API não tem plano gratuito, então você precisa de uma conta com cobrança configurada antes da primeira requisição. O GPT Live Transcribe custa 0,017 dólar por minuto.

O GPT Transcribe consegue transcrever um vídeo do YouTube?

Não diretamente. O GPT Transcribe aceita arquivos de áudio enviados, não URLs. Para usar ele num vídeo do YouTube você precisa baixar o vídeo, extrair o áudio, dividir abaixo de 25 MB e enviar os pedaços por conta própria. As ferramentas que aceitam link fazem esses passos por você.

O GPT Transcribe suporta legenda SRT ou VTT?

Não. O guia de migração da OpenAI diz para manter o whisper-1 se a sua integração depende da saída nativa em SRT ou VTT, ou de marcação de tempo por palavra e por bloco. O gpt-transcribe devolve texto em JSON sem dados de tempo.

O GPT Transcribe é mais preciso que o Whisper?

A OpenAI apresenta os dois modelos novos como um upgrade de precisão sobre o Whisper, mas não publicou taxa de erro por palavra para nenhum dos dois. Até o momento em que este texto foi escrito não existia benchmark independente dos modelos de julho de 2026. Os benchmarks de outros fornecedores que citam o GPT Transcribe são anteriores a esse lançamento e mediram modelos mais antigos, então trate a promessa de upgrade como não verificada e faça sua própria comparação com o seu próprio áudio.

O GPT Transcribe identifica falantes diferentes?

Não. Separar quem fala exige outro modelo, o gpt-4o-transcribe-diarize, chamado com response_format: "diarized_json". Gravações acima de 30 segundos ainda precisam de chunking_strategy: "auto", e esse modelo não funciona na Realtime API.

Qual é a diferença entre GPT Transcribe e GPT Live Transcribe?

O GPT Transcribe processa áudio que já existe como arquivo e otimiza para precisão. O GPT Live Transcribe processa áudio que chega continuamente de um microfone e otimiza para latência. Para confundir mais, o GPT Transcribe também consegue transmitir a saída dele, mas só de um arquivo que já está completo.

Eu preciso do GPT Transcribe para conseguir uma transcrição?

Só se você estiver construindo alguma coisa. Para um vídeo avulso do qual você já tem o link, um gerador de transcrição na web entrega o mesmo texto sem chave de API, sem cartão e sem uma linha de código.