Transcrição de áudio e legendas
Transcrever à mão uma reunião, uma aula ou uma entrevista leva várias vezes a duração da gravação. Um modelo de reconhecimento de fala faz a maior parte do trabalho, mas o resultado ainda precisa ser conferido. Este guia explica como o modelo lê uma gravação, qual modelo escolher, como errar menos e como transformar o texto em arquivos de legenda.
Como o reconhecimento de fala lê uma gravação
A ferramenta Transcrever áudio em texto usa o Whisper, um modelo de reconhecimento de fala que a OpenAI lançou em 2022 sob a licença MIT. Segundo a ficha do modelo (model card), o Whisper foi treinado com 680 mil horas de áudio e transcrições coletadas na internet, cerca de dois terços em inglês.
O Whisper não ouve o arquivo inteiro de uma vez. Ele lê o áudio de 30 em 30 segundos, convertido em espectrograma (uma imagem de quais frequências estão fortes a cada instante), e escreve o texto mais provável para esse trecho, pedaço de palavra por pedaço de palavra, junto com marcas de tempo. Por isso uma gravação longa é dividida em janelas. A ferramenta faz cada corte na pausa mais longa perto do fim da janela, para não partir frases, e pula as janelas em silêncio.
Antes de escrever qualquer coisa, o modelo também consegue identificar o idioma falado: a primeira coisa que ele prevê é uma etiqueta de idioma. A ferramenta usa essa previsão nos primeiros 30 segundos de fala se você deixar "Detectar automaticamente", e depois usa um só idioma para o arquivo inteiro.
Qual modelo escolher
O Whisper existe em vários tamanhos. A ferramenta oferece três: o base e o small rodam no processador em qualquer navegador recente, e o large-v3-turbo roda na placa de vídeo quando o navegador é compatível com WebGPU.
| Modelo | Parâmetros | Primeiro download | Tempo para 1 minuto de fala* | Use para |
|---|---|---|---|---|
| Whisper base | 74 milhões | cerca de 90 MB | cerca de 30 segundos | Gravações nítidas, celulares |
| Whisper small | 244 milhões | cerca de 250 MB | cerca de 1 minuto e 35 segundos | Português e outros idiomas sem WebGPU |
| Whisper large-v3-turbo | 809 milhões | cerca de 750 MB | cerca de 20 segundos | Computadores com WebGPU: o mais preciso |
* Medido num computador de mesa, no navegador: o base e o small com pesos de 8 bits no processador, o large-v3-turbo com pesos de 4 bits na placa de vídeo. Aparelhos mais lentos demoram mais. Cada modelo é baixado uma vez e depois fica salvo no navegador até você apagá-lo na ferramenta.
A diferença de qualidade é maior fora do inglês. No nosso teste com uma gravação de um minuto em coreano lida por uma voz sintética, o base escreveu 후회 (arrependimento) no lugar de 회의 (reunião) e 머료일 no lugar de 월요일 (segunda-feira); o small acertou essas duas, mas escreveu 무늬 (estampa) no lugar de 문의 (consulta), e o large-v3-turbo não errou nada. Use o large-v3-turbo se o seu navegador oferecer; senão, comece pelo base e troque para o small se o texto tiver erros demais.
O large-v3-turbo é uma versão do large-v3, o maior modelo do Whisper, otimizada para velocidade. Ele precisa de uma placa de vídeo: só com o processador levou cerca de 13 vezes a duração da gravação, por isso a ferramenta só o mostra onde há WebGPU, por exemplo nas versões recentes do Chrome e do Edge para computador e no Safari dos Macs recentes. Ele também precisa de muito mais memória que o base, e muitos celulares não têm.
Como conseguir uma transcrição melhor
- Grave perto do microfone. Distância, eco e ruído de fundo tiram mais precisão do que qualquer outra coisa.
- Evite música e vozes sobrepostas. O Whisper escreve um único fluxo de texto e não distingue quem fala.
- Escolha o idioma quando a gravação começar com música, silêncio ou um cumprimento em outro idioma.
- Conte com corrigir nomes e termos. O modelo deduz a grafia pelo som e prefere palavras comuns.
- Fique atento a texto inventado. A ficha do modelo avisa que o Whisper pode escrever coisas que não foram ditas e se repetir, principalmente em trechos em silêncio ou barulhentos. Leia esses trechos junto com a gravação.
- Divida arquivos muito longos. Uma hora de áudio ocupa cerca de 220 MB de memória depois de decodificada, e tudo acontece no seu próprio aparelho.
Arquivos de legenda: SRT e VTT
Um arquivo de legenda é texto puro: uma lista de entradas (cues), cada uma com horário de início, horário de fim e as palavras a mostrar. Os dois formatos mais comuns são quase iguais.
O SubRip (.srt) numera cada entrada e usa vírgula antes dos milissegundos:
1
00:00:00,000 --> 00:00:02,400
Bom dia a todos.
2
00:00:02,400 --> 00:00:05,700
Vou repassar os principais pontos da reunião.O WebVTT (.vtt) é o formato do W3C para legendas em páginas web, usado pelo elemento HTML <track>. O arquivo começa com a palavra WEBVTT, os horários usam ponto e os números são opcionais:
WEBVTT
00:00:00.000 --> 00:00:02.400
Bom dia a todos.
00:00:02.400 --> 00:00:05.700
Vou repassar os principais pontos da reunião.No WebVTT o texto de uma entrada não pode conter -->, e os caracteres & e < precisam ser escritos como & e <; a ferramenta faz isso por você. O SRT não tem especificação oficial, mas editores e players de vídeo leem a forma mostrada acima. Escolha o formato que o seu player ou plataforma pedir.
Legendas fáceis de ler
Os segmentos do Whisper seguem a ideia que o próprio modelo tem de frase, então alguns são longos. Antes de publicar, assista às legendas com o vídeo, divida os segmentos que ficam tempo demais na tela ou passam de duas linhas e confira se cada entrada aparece quando as palavras são ditas. A maioria dos editores de legenda abre arquivos SRT e permite deslocar ou dividir entradas.
Transcrição no aparelho ou na nuvem
Serviços de transcrição on-line costumam enviar a gravação para os servidores deles, onde modelos grandes a processam rapidamente. Uma ferramenta no navegador mantém a gravação no seu aparelho: o áudio é decodificado e transcrito na página, e só os arquivos do modelo são baixados. Em troca, a velocidade depende do seu processador, e o tamanho do modelo é limitado pelo que um navegador consegue carregar.
Seja quem for que processe, gravações de outras pessoas pedem cuidado. A ficha do modelo Whisper desaconselha transcrever gravações de pessoas feitas sem o consentimento delas; peça permissão antes de gravar ou transcrever uma conversa.
Perguntas frequentes
O Whisper sabe quem está falando?
Não. Ele escreve um único fluxo de texto. Separar falantes (diarização) exige outro modelo; acrescente os nomes à mão.
Por que aparecem frases que ninguém disse?
O Whisper prevê o texto mais provável e, no silêncio, na música ou no ruído, às vezes continua com palavras que viu muitas vezes, como uma frase de despedida. Pular as janelas em silêncio ajuda, mas leia a transcrição junto com a gravação.
Dá para traduzir a gravação para o inglês?
Os modelos Whisper conseguem, mas esta ferramenta só transcreve: escreve o texto no idioma falado.
Que formato uma plataforma de vídeo precisa?
A maioria dos editores e plataformas de vídeo aceita SRT, e os players web usam VTT. Na dúvida, baixe os dois: eles têm as mesmas entradas.
Fontes
Fonte: OpenAI, Whisper (README) · Última verificação:
Fonte: OpenAI, Model Card: Whisper · Última verificação:
Fonte: W3C, WebVTT: The Web Video Text Tracks Format (Candidate Recommendation Draft, 20 May 2026) · Última verificação: