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
Na primeira vez, o navegador baixa o modelo Whisper Tiny (cerca de 41 MB no modo CPU). Seu áudio fica neste aparelho.
Transcrição
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
- Solte um arquivo de áudio ou vídeo na página ou clique em «Escolher arquivo».
- Escolha o idioma falado (ou deixe a detecção automática), escolha um modo de processamento e clique em «Gerar legendas».
- 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.