Voz para texto

O que faz

Esta ferramenta de voz para texto transforma um arquivo de áudio ou vídeo em uma transcrição escrita ou em legendas SRT ou VTT, sem enviar nada. Ela executa o modelo de reconhecimento de fala Whisper, da OpenAI, diretamente no navegador, para você transcrever entrevistas, reuniões, aulas, áudios e podcasts com privacidade e de graça. O Whisper também traduz fala de outros idiomas direto para texto em inglês.

Ao escolher um arquivo, a página decodifica a faixa de áudio com a Web Audio API do navegador, reamostra para 16 kHz mono (o formato que o Whisper espera) e transcreve em um worker em segundo plano, em janelas de 30 segundos com uma pequena sobreposição, então gravações longas também funcionam. O resultado aparece na caixa de saída, pronto para copiar ou baixar como .txt, .srt ou .vtt.

Como usar

1. Escolha um modelo: Tiny é o mais rápido, Small o mais preciso e Base (o padrão) um bom equilíbrio.
2. Clique em Baixar o modelo e começar. Na primeira vez, o modelo é baixado com uma barra de progresso; depois o navegador o carrega do cache em instantes.
3. Solte um arquivo de áudio ou vídeo na página ou clique em Escolher arquivo. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM e MP4 funcionam na maioria dos navegadores, até 500 MB. O nome, a duração e o tamanho aparecem na tela.
4. A transcrição começa sozinha e mostra quantos trechos já foram feitos. Clique em Transcrever de novo depois de mudar o idioma ou a tarefa.
5. Troque o formato de saída entre texto, SRT e VTT quando quiser, sem refazer a transcrição. Depois copie ou baixe.

O idioma falado é detectado automaticamente pelos primeiros 30 segundos. Informar o idioma é mais rápido e evita erros em trechos curtos. Escolha Traduzir para o inglês para obter texto em inglês a partir de fala em outro idioma. Modelo, idioma, tarefa e formato ficam salvos no endereço da página, então o botão Compartilhar leva às mesmas configurações; o arquivo nunca entra no link.

Exemplo

Um trecho de duas frases exportado como SRT fica assim:

1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.

2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.

O VTT usa os mesmos blocos com um cabeçalho WEBVTT e um ponto antes dos milissegundos, o formato lido pelos players de vídeo HTML5.

Privacidade, precisão e requisitos

Tudo depois do download do modelo acontece no seu dispositivo, o que torna a ferramenta adequada para gravações confidenciais. É preciso um Chrome, Edge, Firefox ou Safari recente com WebAssembly. Onde há WebGPU (Chrome e Edge na maioria dos computadores), ele é usado automaticamente e é bem mais rápido; caso contrário, a ferramenta usa WebAssembly. Arquivos longos exigem memória: uma hora de áudio ocupa algumas centenas de megabytes depois de decodificada, e o Small precisa de mais que o Tiny ou o Base, então feche outras abas pesadas no celular. Mantenha a aba aberta até terminar.

O Whisper vai bem com fala clara e lida razoavelmente com sotaques e ruído de fundo, mas pode errar nomes e termos técnicos e, em silêncio ou música, às vezes repete ou inventa uma frase. Revise a transcrição antes de publicar. A ferramenta não identifica falantes, e vídeos só são transcritos se o navegador conseguir decodificar o codec de áudio.