Arquivos · ferramenta

Converter áudio e vídeo em texto

Escolha um arquivo para gerar o texto no dispositivo. No primeiro uso, o modelo baixa cerca de 43 MB; recomendamos computador para gravações longas.

Funciona no seu navegador. Nada é enviado.

Funciona no seu navegador. Nada é enviado.

Para arquivos longos ou em alta resolução, recomendamos um computador. Mantenha esta aba aberta; velocidade, memória e bateria dependem do dispositivo.

No primeiro uso, são baixados cerca de 58 MB do modelo e do mecanismo local. A gravação não é enviada; o navegador pode baixá-los novamente se limpar o cache.

Funciona no seu navegador. Nada é enviado.

Sobre esta ferramenta

Converter áudio e vídeo em texto sem complicação.

O Whisper Tiny roda localmente no navegador. No primeiro uso, cerca de 43 MB de arquivos do modelo aberto são baixados do Hugging Face; a gravação não é enviada para lá nem para o UsefulVerse. O navegador pode guardar o modelo em cache, mas pode apagá-lo. Confira nomes, números e pontuação: o modelo pode errar. Não há cota fixa do servidor para tamanho ou duração; memória, codecs, navegador, bateria e velocidade do dispositivo são limites práticos.

Guia

Usando Converter áudio e vídeo em texto

Esta página transforma a fala de um arquivo de áudio ou vídeo em texto simples. Você escolhe uma gravação, escolhe o idioma falado ou deixa a detecção em automático e pressiona Transcrever. Um modelo de fala pequeno chamado Whisper Tiny roda no seu próprio dispositivo, então a gravação não é enviada a um servidor. Na primeira execução é preciso baixar o modelo. Serve para notas de reunião, aulas e memorandos de voz. Devolve só texto, sem marcações de tempo nem nomes de falantes, e pode ouvir errado nomes e números.

Como usar

  1. Pressione Escolher um arquivo de áudio ou vídeo e selecione uma gravação. O seletor de arquivos lista tipos como MP3, M4A, WAV, OGG, MP4, MOV e WebM.
  2. Escolha o idioma falado na lista de 16, ou deixe Detectar automaticamente se não tiver certeza.
  3. Pressione Transcrever e mantenha a aba aberta. No primeiro uso o modelo de fala é baixado primeiro (a página diz cerca de 58 MB com o mecanismo local), e uma barra de progresso mostra até onde chegou.
  4. O texto aparece na caixa Resultado à medida que cada trecho de 30 segundos de áudio termina. Pressione Cancelar para parar antes.
  5. Pressione Copiar resultado, ou Baixar para um arquivo .txt com o nome da sua gravação, e leia o texto inteiro antes de confiar nele.

Exemplos resolvidos

Um memorando de voz de 75 segundos

Você informa
Arquivo
memo.mp3, 75 segundos, inglês falado
Idioma
Inglês
Você obtém
Caixa de resultado
até 3 linhas de texto

O áudio é cortado em trechos de 30 segundos, aqui 30 + 30 + 15. Cada trecho que devolve algum texto é acrescentado como uma linha própria. Isso foi lido do código e não foi executado em uma gravação real.

Não calculado pela ferramenta. Considere como ilustração.

Nome do arquivo de texto baixado

Você informa
Arquivo
Chamada da equipe (final).mov
Ação
Baixar
Você obtém
Baixar
Chamada-da-equipe-final-transcript.txt

A extensão do arquivo é descartada, cada sequência de caracteres que não são letras, dígitos, pontos, sublinhados ou hifens vira um hífen, e -transcript.txt é acrescentado. As letras acentuadas permanecem, então Reunión 3 de marzo.m4a dá Reunión-3-de-marzo-transcript.txt. A etapa de nomeação foi executada isoladamente.

Não calculado pela ferramenta. Considere como ilustração.

Um vídeo sem faixa de som

Você informa
Arquivo
screen-capture.mp4 sem áudio
Idioma
Detectar automaticamente
Você obtém
Status
O arquivo ou o navegador não conseguiu executar a transcrição local. Tente outro formato compatível ou um navegador de computador.

O leitor procura uma faixa de áudio e falha quando não existe nenhuma. A página então mostra uma mensagem geral para qualquer tipo de falha. Não testado em um arquivo real.

Não calculado pela ferramenta. Considere como ilustração.

Uma gravação sem fala

Você informa
Arquivo
piano.wav
Idioma
Detectar automaticamente
Você obtém
Status
Nenhuma fala detectada. Tente um áudio mais claro ou escolha um idioma.

Quando nenhum trecho devolve texto, a página mostra esta linha. Música ou ruído ainda podem produzir palavras soltas em um modelo pequeno, então leia a caixa em vez de confiar em um resultado vazio ou cheio. Não testado em um arquivo real.

Não calculado pela ferramenta. Considere como ilustração.

Quando ajuda

  • Transforme uma aula gravada em notas pesquisáveis.
  • Escreva os pontos principais de uma reunião ou chamada que você gravou com permissão.
  • Obtenha um rascunho aproximado de um memorando de voz falado antes de editá-lo.
  • Extraia as palavras faladas de um clipe de vídeo curto para legendas ou um resumo.
  • Confira o que foi dito em uma entrevista antes de citá-la.

Limites a ter em mente

  • A ferramenta não define um tamanho de arquivo nem uma duração fixos. O seu dispositivo decide o que funciona, dependendo de memória, bateria e de quais codecs de áudio o navegador consegue decodificar.
  • O modelo é o Whisper Tiny em uma forma compacta de 8 bits, feito para ter tamanho pequeno e não a máxima precisão. Espere erros com nomes, números e pontuação.
  • O resultado é texto simples. Não há marcações de tempo, nem rótulos de falante, nem tradução, e a caixa Resultado é somente leitura, então copie o texto para outro lugar para editá-lo.
  • O áudio é processado em trechos de 30 segundos e cada trecho vira sua própria linha, então uma frase que atravessa o limite entre trechos pode ser dividida em duas linhas.
  • A primeira execução precisa de conexão com a internet para baixar o modelo e o mecanismo, e o navegador pode baixá-los de novo se o cache for limpo.

Dicas

  • Escolha você mesmo o idioma quando o souber. Com a detecção automática, cada trecho de 30 segundos é verificado por si só, então o palpite pode mudar no meio de um arquivo.
  • Use uma gravação limpa com o microfone perto de quem fala. O ruído de fundo é a causa comum de palavras erradas.
  • Confira cada nome, data e valor com a gravação antes de citar ou compartilhar o texto.
  • Para arquivos longos, use um notebook ou um desktop, ligue-o na tomada e mantenha a aba em primeiro plano, porque o trabalho roda no seu próprio processador.

Fontes

Perguntas frequentes

Sobre Converter áudio e vídeo em texto.

Como transformo uma gravação em texto?

Escolha o arquivo de áudio ou vídeo, escolha o idioma falado e pressione Transcrever. Espere o modelo carregar e veja o texto preencher a caixa Resultado trecho por trecho. Quando terminar, copie o texto ou baixe-o como arquivo.

Minha gravação é enviada?

Não. O áudio é decodificado e reconhecido dentro do seu navegador. Apenas os arquivos do modelo vêm da internet, de um servidor público de modelos, no primeiro uso. A página informa que a gravação em si nunca é enviada a esse servidor nem ao UsefulVerse.

Qual é a precisão da transcrição?

Nenhum valor de precisão é informado, e nenhum foi medido para esta página. O modelo é deliberadamente pequeno, então pode entender errado nomes, números e pontuação, especialmente com ruído ou sotaques fortes. Trate o texto como um primeiro rascunho e compare com o áudio.

Que idiomas ele consegue transcrever?

A lista oferece detecção automática mais 16 idiomas: inglês, espanhol, francês, português, alemão, japonês, coreano, indonésio, híndi, árabe, chinês, bengali, russo, urdu, turco e vietnamita. Outros idiomas não são oferecidos, então os resultados para eles não são confiáveis.

Que tamanho de arquivo posso transcrever?

A ferramenta não limita o comprimento nem o tamanho. Na prática, ela pede ao mecanismo de fala que use um único thread de processamento, então arquivos longos podem demorar muito e usar muita memória. Recomenda-se um notebook ou desktop para qualquer coisa longa.

Por que a primeira transcrição demora para começar?

O modelo de fala precisa ser baixado antes de qualquer outra coisa. A página menciona cerca de 43 MB de arquivos do modelo e cerca de 58 MB com o mecanismo local. Seu navegador pode guardá-los para visitas futuras, mas um cache limpo significa outro download.

Ele acrescenta marcas de tempo ou nomes de quem fala?

Não. A saída é só texto, uma linha para cada trecho de 30 segundos que retornou palavras. Se você precisar de horários ou de quem fala, terá de acrescentá-los à mão enquanto ouve, ou usar outra ferramenta feita para isso.

Posso usar um arquivo de vídeo?

Sim, se ele tiver uma faixa de áudio que o seu navegador consiga decodificar. A ferramenta lê o som do vídeo no seu dispositivo e ignora a imagem. Um vídeo sem áudio dá uma mensagem de erro geral.

Ele traduz a fala para o inglês?

Não. O worker está configurado para transcrever, então escreve o que é dito no idioma falado. Não há opção de tradução na página. Use a lista de idiomas para informar qual idioma o falante usa.

Como usar Transcritor de áudio e vídeo?

Escolha um arquivo para gerar o texto no dispositivo. No primeiro uso, o modelo baixa cerca de 43 MB; recomendamos computador para gravações longas.

Meus dados são enviados para algum servidor?

Não. O processamento acontece no seu navegador, e seus dados não são enviados para um servidor.