DevToolPal
PT

Transcrição ao vivo

Dite em inglês e veja suas palavras virarem texto, transcritas ao vivo no navegador pelo modelo de voz Moonshine. Nenhum áudio é enviado.

Roda localmente, nada é enviado

Opções

Modelo
Ordem

As configurações de detecção valem a partir do próximo Iniciar.

Microfone

O modelo é baixado uma única vez do Hugging Face e fica no cache do navegador, então as próximas visitas começam em segundos. O áudio nunca sai do seu dispositivo.

Somente inglês. O Moonshine foi treinado com fala em inglês; outros idiomas saem como inglês sem sentido.

Transcrição

Clique em Iniciar e fale. Cada frase aparece aqui depois de uma breve pausa.

O que esta ferramenta faz

A transcrição ao vivo transforma o que você diz em texto enquanto você fala. Clique em Iniciar, fale no microfone e cada frase aparece na transcrição logo depois de uma pausa. Funciona como ditado ou digitação por voz, mas o reconhecimento roda inteiramente no navegador: sem conta, sem servidor e sem o áudio sair do seu computador.

O modelo de reconhecimento é o Moonshine, um modelo aberto de fala para texto da Useful Sensors, feito para transcrição ao vivo no próprio aparelho. Ele é rápido com frases curtas, o que combina bem com transcrever uma frase de cada vez. A ferramenta o executa com Transformers.js e ONNX Runtime Web, em WebGPU quando o navegador tem e em WebAssembly quando não tem.

Esta ferramenta é somente para inglês.

Como usar

  1. Escolha um modelo. Base é mais preciso; Tiny é menor e mais rápido em computadores lentos.
  2. Clique em Baixar modelo e iniciar. O modelo é baixado uma vez (cerca de 120 MB o Base, 50 MB o Tiny) e depois o navegador pede acesso ao microfone. Permita.
  3. Fale normalmente. O medidor mostra o volume de entrada e fica verde enquanto detecta fala. Quando você pausa, a frase vai para o modelo e o texto aparece em uma nova linha.
  4. Clique em Parar para liberar o microfone. Clique em Iniciar de novo para continuar; as marcas de tempo seguem de onde você parou.
  5. Use Copiar ou Baixar .txt para guardar a transcrição, ou Limpar para recomeçar. Mude Ordem para Mais recentes primeiro para manter a última linha no topo; Copiar e Baixar seguem a mesma ordem.

Exemplo

Com as marcas de tempo ligadas, uma nota curta ditada em inglês fica assim:

[00:00] Let's start with the quarterly numbers.
[00:04] Revenue is up twelve percent compared to last year.
[00:09] Next, I want to talk about hiring.

Desligue as marcas de tempo para obter linhas simples, prontas para colar em um e-mail, documento ou app de notas.

Ajustar a detecção

Um detector simples de atividade de voz ouve o volume do microfone e decide onde as frases começam e terminam. Três configurações o controlam:

  • Limiar de voz define o quão alto um som precisa ser para contar como fala. Escolha um nível mais barulhento se o ruído de fundo deixa o medidor verde, ou um mais sensível se a fala baixa se perde.
  • Pausa que encerra a linha é quanto silêncio é preciso antes de transcrever a frase. Pausas curtas dão resultados mais rápidos; longas mantêm as frases juntas.
  • Linha mais longa corta trechos muito longos de fala para a transcrição continuar avançando mesmo sem pausas.

Essas mudanças valem a partir do próximo Iniciar. O modelo e as marcas de tempo ficam salvos no endereço da página, então você pode favoritar ou compartilhar sua configuração. A transcrição nunca vai no link.

Modelo, licença e limites

A ferramenta usa onnx-community/moonshine-base-ONNX ou onnx-community/moonshine-tiny-ONNX, conversões ONNX dos modelos Moonshine em inglês, publicados sob a licença MIT. O Transformers.js tem licença Apache-2.0. A precisão é melhor com uma pessoa falando com clareza perto do microfone; nomes, palavras raras e sotaques fortes podem sair errados, e a pontuação é um palpite do modelo. Para arquivos de áudio gravados, use a ferramenta de fala para texto.

Perguntas frequentes

› Minha voz é enviada para algum lugar?

Não. O áudio do microfone é capturado, dividido em frases e transcrito dentro da aba do navegador. Só os arquivos do modelo são baixados, do Hugging Face, na primeira vez que você clica no botão de download. A transcrição fica na página e não entra nos links de compartilhamento.

› Quais idiomas ele entende?

Somente inglês. Os modelos Moonshine usados aqui foram treinados com fala em inglês. O Moonshine também tem modelos para outros idiomas, mas eles são publicados com licença não comercial, por isso esta ferramenta não os usa. Fala em outro idioma vira um inglês sem sentido.

› Qual o tamanho do download e preciso baixar sempre?

O modelo Base tem cerca de 120 MB e o Tiny cerca de 50 MB. O navegador guarda os arquivos em cache depois do primeiro download, então nas próximas visitas ele carrega em poucos segundos sem baixar de novo.

› Quais navegadores funcionam?

Um Chrome, Edge, Firefox ou Safari recente com acesso ao microfone. Com WebGPU o modelo roda na placa de vídeo; sem ele usa WebAssembly na CPU, que é mais lento mas acompanha a fala normal na maioria dos notebooks.

› Por que a linha só aparece quando paro de falar?

O Moonshine trabalha com frases inteiras, então a ferramenta espera uma pausa curta antes de transcrever o que você disse. Você pode encurtar a pausa nas opções ou diminuir a linha mais longa para que falas longas sejam cortadas com mais frequência.