Tutorial de configuração do Gratuito (no dispositivo)

1Selecione "Gratuito" como provedor

Abra o Sokuji e navegue até o painel de configurações. Selecione "Gratuito" como seu provedor de IA no menu suspenso de provedores.

2Baixe um modelo ASR

Escolha um modelo ASR para o seu idioma de origem. O Sokuji oferece 42 modelos offline/streaming alimentados por sherpa-onnx WASM e WebGPU (Cohere Transcribe, Voxtral Mini, Whisper), cobrindo mais de 99 idiomas. Os modelos variam de leves (~5MB) a alta precisão (~2GB+). Recomendamos Cohere Transcribe ou Voxtral Mini 4B Realtime para a melhor precisão e velocidade.

3Baixe um modelo de tradução

Selecione um par de idiomas de tradução. Escolha TranslateGemma para a melhor qualidade e velocidade, 74 pares de idiomas Opus-MT para tradução rápida via CPU, ou Qwen LLMs via WebGPU para tradução multilíngue de maior qualidade.

4Baixe um modelo TTS

Baixe um modelo TTS para saída de voz. Estão disponíveis 136 modelos em 52 idiomas, alimentados pelos motores Piper, Coqui, Mimic3 e Matcha. Se Tradução que eu ouço estiver ativada no bloco Voz (modo Outro ou Ambos), a tradução do outro lado também é lida em voz alta para você: essa direção tem seu próprio espaço de TTS, com seu próprio modelo e sua própria voz. Cada direção guarda a sua própria voz.

5Comece a traduzir

Clique no botão Iniciar Sessão. O reconhecimento e a tradução acontecem no seu dispositivo em tempo real; com uma voz do Edge TTS selecionada, falar a tradução precisa de conexão de rede.

O que é o provedor Gratuito?

O Gratuito é um pipeline de tradução IA totalmente no dispositivo que executa ASR, tradução e TTS sem nenhum serviço em nuvem:

• Privacidade completa — todo o processamento de áudio e texto permanece no seu dispositivo
• Funciona offline após o download inicial do modelo
• Sem necessidade de chaves API, contas ou assinaturas
• Alimentado por WebAssembly (WASM) e WebGPU para desempenho próximo ao nativo
• Uso gratuito sem limites de uso

Modelos disponíveis

O provedor Gratuito suporta uma ampla gama de modelos para cada etapa do pipeline de tradução:

• ASR: 42 modelos incluindo Cohere Transcribe, Voxtral Mini 4B Realtime, Whisper, SenseVoice, Moonshine, NeMo e Zipformer — cobrindo mais de 99 idiomas
• Tradução: 74 pares de idiomas Opus-MT para tradução rápida via CPU, mais TranslateGemma e Qwen LLMs via WebGPU para suporte multilíngue
• TTS: 136 modelos em 52 idiomas usando motores Piper, Coqui, Mimic3 e Matcha

Configurações VAD (detecção de fala)

Com o Modo de fala definido como Auto nas Configurações, clique em Configurações VAD ao lado dele para ajustar a detecção de fala no dispositivo. Em Pressionar para falar e Pressionar para traduzir, você mesmo controla onde cada frase começa e termina:

• Duração máx. de fala: por quanto tempo uma fala pode durar antes de ser dividida (10–40 s, padrão 30 s); alguns modelos dividem antes, no trecho mais longo que transcrevem corretamente
• Margem antes da fala: guarda um pouco de áudio de logo antes de a fala ser detectada (até 2 s, padrão 0,8 s), para que o primeiro som de uma frase não seja cortado; aparece só para os modelos que a suportam
• Inteligente (Smart Turn): em vez de sempre esperar um silêncio fixo, verifica se você terminou de falar e encerra a frase cerca de 0,4 s depois que você para; uma pausa no meio da frase mantém a escuta. Ativá-lo baixa um modelo de 31 MB uma única vez; funciona com os modelos de reconhecimento de fala WebGPU
• Restaurar: devolve estas configurações aos seus padrões

Requisitos de hardware

• CPU (WASM): Funciona em qualquer navegador moderno — nenhum hardware especial necessário
• WebGPU: Aceleração GPU opcional para modelos Cohere Transcribe, Voxtral Mini, Whisper ASR, TranslateGemma e tradução Qwen — significativamente mais rápido com uma GPU dedicada
• Recomendado: 4GB+ de RAM para carregamento confortável de modelos
• Armazenamento: Os modelos variam de 5MB a 200MB+ dependendo do nível de precisão
• Navegador moderno necessário: Chrome 113+, Edge 113+ ou Firefox 120+ para suporte WebGPU

Configurações de TTS

• Velocidade da fala — Controla a velocidade de reprodução da fala sintetizada. Ajuste o controle deslizante de velocidade para tornar a saída mais rápida ou mais lenta de acordo com sua preferência.
• ID do falante — Controla o timbre vocal da fala sintetizada. Muitos modelos suportam múltiplos IDs de falante, cada um com uma voz diferente. Alguns modelos multi-falante incluem vozes de gêneros diferentes, então você pode escolher uma voz masculina ou feminina selecionando diferentes IDs de falante. O ID do falante, ou a voz do Edge TTS, é guardado por direção: o que você escolhe no espaço de TTS de uma direção não muda a outra direção.

Problemas comuns

A voz voltou ao padrão após atualizar: Desde o Sokuji 0.44.0 cada direção guarda a sua própria voz. Uma voz escolhida numa versão anterior era compartilhada pelas duas direções, então após a atualização cada direção volta uma vez à sua voz padrão. Escolha a voz de novo no espaço de TTS de cada direção.

Tradução que eu ouço aparece só como texto: Se aparecer o aviso "A tradução que eu ouço aparece só como texto: não há memória suficiente para carregar também o modelo de voz do outro lado.", os modelos das duas direções não cabem juntos na memória, então a tradução do outro lado começa só como texto enquanto a sua continua sendo falada. O botão Configurações do aviso abre o espaço de TTS dessa direção: escolha um modelo menor, ou o Edge TTS, que não ocupa memória local.

O Edge TTS parou de falar na extensão do navegador: O Edge TTS agora sintetiza a fala em api.msedgeservices.com. Quando a extensão é atualizada para o Sokuji 0.44.0, o Chrome ou o Edge pede para você permitir o acesso a esse site e mantém a extensão desativada até você aceitar: abra a página de extensões do navegador e aceite a nova permissão. O aplicativo para desktop não precisa de nada.

Download do modelo falha: Verifique sua conexão com a Internet para o download inicial. Os modelos são armazenados em cache localmente no IndexedDB, então os usos subsequentes funcionam offline. Tente limpar os dados do navegador se os downloads estiverem corrompidos.

ASR não reconhece a fala: Certifique-se de ter selecionado o modelo ASR correto para o seu idioma de origem. Tente um modelo maior para melhor precisão. Verifique se o microfone está funcionando e as permissões foram concedidas.

Qualidade da tradução está baixa: Os modelos Opus-MT são otimizados para velocidade em detrimento da qualidade. Para melhores resultados, tente os modelos TranslateGemma ou Qwen LLM se o seu dispositivo suporta WebGPU. Certifique-se de ter selecionado o par de idiomas correto.

WebGPU não disponível: WebGPU requer um navegador e GPU compatíveis. Recorra aos modelos baseados em WASM (sherpa-onnx, Opus-MT) que funcionam em qualquer navegador moderno sem requisitos de GPU.

Dicas de desempenho

1. Use modelos WebGPU quando disponíveis para processamento significativamente mais rápido
2. Feche outras abas do navegador para liberar memória para o carregamento de modelos
3. Escolha modelos menores para dispositivos de baixo desempenho ou quando a velocidade for prioridade
4. Modelos WASM (sherpa-onnx, Opus-MT) são mais compatíveis, mas mais lentos que as alternativas WebGPU
5. Monitore o uso de memória do navegador — modelos grandes podem exigir 2GB+ de memória do navegador