Áudio para texto e legendas

Transforme áudio ou vídeo em texto editável e legendas com marcas de tempo com o Whisper, direto no navegador. Seus arquivos nunca saem do seu aparelho.

Arquivo de origem

Solte aqui um arquivo de áudio ou vídeo MP3, WAV, M4A, FLAC, OGG, MP4, WebM · Até 250 MB / 20 min

Na primeira vez, o navegador baixa o modelo Whisper Tiny (cerca de 41 MB no modo CPU). Seu áudio fica neste aparelho.

Transcrição

Sua transcrição com marcas de tempo aparecerá aqui. Selecione uma marca de tempo para ir até esse ponto do arquivo.

Arquivos e resultados ficam só nesta página. Limpe o arquivo ou feche a página para removê-los. O modelo Whisper Tiny é baixado uma vez do Hugging Face e fica no cache do navegador.

Como usar Áudio para texto e legendas

  1. Solte um arquivo de áudio ou vídeo na página ou clique em «Escolher arquivo».
  2. Escolha o idioma falado (ou deixe a detecção automática), escolha um modo de processamento e clique em «Gerar legendas».
  3. Clique em uma marca de tempo para conferir uma linha com o áudio, edite o texto e depois copie-o ou exporte como SRT, VTT ou TXT.

Sobre esta ferramenta

Áudio para texto e legendas executa o Whisper Tiny — um modelo pequeno de reconhecimento de voz de código aberto — inteiramente no seu navegador, com Transformers.js e ONNX Runtime Web. Na primeira vez, o navegador baixa o modelo (cerca de 41 MB no modo CPU) do Hugging Face e o armazena em cache; depois, a transcrição roda no seu aparelho. Seus arquivos de áudio e vídeo nunca são enviados, e nada do que você transcreve vai para lugar nenhum.

Perguntas frequentes

Meus arquivos são enviados para algum lugar?

Não. A transcrição roda inteiramente no seu navegador e seu arquivo de áudio ou vídeo nunca sai do seu aparelho. O único download é o próprio modelo Whisper Tiny: na primeira vez, o navegador o baixa do Hugging Face (cerca de 41 MB no modo CPU) e o guarda em cache. Se o Hugging Face estiver inacessível, a primeira transcrição vai falhar — mas seu arquivo ainda assim nunca sai do aparelho.

Quais arquivos são suportados e quais são os limites?

Arquivos de áudio em MP3, WAV, M4A, FLAC ou OGG, e vídeos com faixa de áudio em MP4 ou WebM. Um arquivo pode ter até 250 MB e 20 minutos. Se o navegador não conseguir decodificar a faixa de áudio, exporte-a primeiro para WAV ou MP3 e tente novamente.

Quais idiomas falados são suportados?

Detecção automática, além de inglês, chinês, japonês, coreano, espanhol, francês, alemão e português. Escolha o idioma ouvido na gravação — uma escolha errada pode fazer a transcrição sair no idioma errado.

Qual é a diferença entre os modos WebGPU e CPU?

O modo automático tenta primeiro o WebGPU e muda para CPU se o WebGPU não iniciar ou falhar. O WebGPU usa o modelo de precisão total (fp16 ou fp32); o modo CPU usa o modelo quantizado menor (cerca de 41 MB). Se o navegador ou o aparelho não tiver WebGPU — por exemplo, em um sandbox ou em hardware antigo — o modo CPU ainda funciona, só que mais devagar.

Qual é a precisão e o que posso exportar?

O Whisper Tiny é um modelo pequeno e rápido: a fala do dia a dia geralmente sai bem, mas ele pode confundir nomes, números e palavras incomuns — revise antes de publicar. Clique em qualquer marca de tempo para ir até esse ponto do áudio, edite cada linha no lugar e depois copie o texto ou exporte como SRT, VTT ou TXT.

Gostou desta ferramenta?

Assine o Very Useful Tools Pro: uma assinatura de $6/mês para todas as ferramentas — sem anúncios quando eles começarem, além de lotes maiores e limites mais altos.

Assinar Pro — a partir de $6