Whisper cache reaproveitável

Contexto¶

Fork de savbell/whisper-writer para montar ditado por voz em tempo real (hotkey -> grava -> transcreve com Whisper local -> digita direto no cursor ativo, equivalente ao ditado por voz nativo do Windows). Fork em github.com/felipeluissalgueiro/whisper-writer, clonado em C:\dev\whisper-writer.

O que foi discutido¶

Ao planejar o setup, a duvida era se dava pra reaproveitar o que ja existe do meeting-transcriber (pipeline de transcricao de reunioes ja em producao, Whisper local via WhisperX + pyannote).

Cache de modelo e global, nao por projeto¶

O modelo faster-whisper large-v3 (~2.9GB) ja estava baixado em ~/.cache/huggingface/hub/models--Systran--faster-whisper-large-v3 por causa do meeting-transcriber. Esse cache do Hugging Face vive por usuario, nao por projeto — qualquer outro projeto Python que use a mesma lib (faster-whisper) e aponte pro mesmo model id reaproveita automaticamente, sem novo download.

Venv nao e reaproveitavel¶

Ja o ambiente Python (venv) precisa ser proprio por projeto, mesmo usando o "mesmo" Whisper por baixo dos panos:

• meeting-transcriber: WhisperX + torch 2.8.0+cu128, venv em C:\Venvs\meeting-transcriber
• whisper-writer: faster-whisper==1.0.2 puro + ctranslate2==4.2.1, precisa de venv proprio

Sao versoes de dependencia incompativeis entre si — misturar no mesmo venv quebra um dos dois. A confusao natural e achar que "mesmo modelo" implica "mesmo ambiente", mas sao camadas diferentes: o modelo (pesos, arquivo binario) e generico e cacheavel; o ambiente (codigo + libs) e especifico de cada projeto.

Diferenca de proposito entre os dois projetos¶

Apesar de convergirem no mesmo backend (faster-whisper), tem objetivos distintos:

• meeting-transcriber: pipeline pos-gravacao, com diarizacao (pyannote identifica quem fala), gera nota estruturada no Obsidian.
• whisper-writer: ditado ao vivo, sem diarizacao, escreve direto no campo de texto ativo via hotkey.

Decisoes e Conclusoes¶

• Antes de configurar qualquer projeto novo que use Whisper/faster-whisper localmente, checar primeiro ~/.cache/huggingface/hub/ antes de assumir que precisa baixar o modelo de novo.
• Sempre criar venv proprio por projeto, mesmo quando o modelo de IA por baixo e compartilhavel.

Proximos Passos¶

• Criar venv proprio em C:\Venvs\whisper-writer
• Instalar dependencias (corrigir encoding UTF-16 quebrado do requirements.txt do fork)
• Configurar config.yaml apontando pro modelo em cache
• Testar hotkey + digitacao no cursor ativo

Notas Relacionadas¶

meeting-transcriber