Transcrever áudio em texto: gravações, vídeos e legendas
Transcreva um arquivo de áudio ou vídeo com o modelo de reconhecimento de fala Whisper, no seu navegador, e salve o texto ou legendas SRT e VTT. A gravação não é enviada.
Solte aqui um arquivo de áudio ou vídeo, ou escolha um
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM e MP4 funcionam na maioria dos navegadores. Outros formatos funcionam se o seu navegador conseguir reproduzi-los.
Esta gravação tem mais de uma hora. A transcrição pode levar o mesmo tempo da gravação ou mais, e com arquivos muito longos o navegador pode ficar sem memória. Se isso acontecer, divida o arquivo em partes.
Seu navegador informa que você está nos dados móveis ou no modo de economia de dados. É melhor esperar pelo Wi-Fi.
Escolha o idioma e o modelo e depois adicione um arquivo.
Observações
- A gravação é decodificada e transcrita no seu navegador. Ela não é enviada à LeedyBox nem a nenhum outro lugar, e durante o trabalho a ferramenta só consegue se conectar a leedybox.com.
- Na primeira vez, o navegador baixa de leedybox.com o mecanismo de reconhecimento de fala e o modelo escolhido: cerca de 90 MB para o base, 250 MB para o small ou 750 MB para o large-v3-turbo. Depois eles ficam salvos no armazenamento deste navegador, então as próximas visitas não os baixam de novo. "Apagar modelos salvos", abaixo da escolha do modelo, os remove; limpar os dados do site no navegador também.
- O base e o small rodam no seu processador e o large-v3-turbo na placa de vídeo, em janelas de 30 segundos, uma após a outra. No nosso computador de teste, o base levou cerca de metade da duração da gravação, o small cerca de uma vez e meia e o large-v3-turbo cerca de um terço; celulares e computadores antigos são mais lentos. Deixe esta aba aberta até terminar.
- Funciona melhor com uma pessoa falando com clareza perto do microfone. Música de fundo, ruído, várias pessoas falando ao mesmo tempo, sotaques e termos técnicos causam erros, e nomes costumam sair errados. O Whisper também pode repetir uma frase ou escrever palavras que não foram ditas, principalmente em trechos em silêncio ou barulhentos.
- Um único idioma é usado para o arquivo inteiro. Trechos em outro idioma são escritos nesse idioma da melhor forma que o modelo consegue, ou traduzidos. Os falantes não são distinguidos.
- As legendas seguem os segmentos que o Whisper encontra, em geral uma frase ou parte de uma frase cada. Confira o tempo num player antes de publicar; segmentos longos podem precisar ser divididos para facilitar a leitura.
- Gravações muito longas precisam de muita memória: uma hora de áudio ocupa cerca de 220 MB depois de decodificada, além do modelo. Se o navegador interromper a página, divida o arquivo em partes menores.
Algo deu errado? Se um arquivo não abrir, o modelo não carregar, a página parar ou a transcrição ficar muito pior do que o esperado, mande um e-mail para nós. Informe o modelo e o idioma escolhidos, o tipo e a duração do arquivo, e o seu aparelho e navegador. Não envie a gravação.
Alguma frase desta página soa estranha no seu idioma? Avise-nos também.
Como usar
- Escolha o idioma falado na gravação ou deixe "Detectar automaticamente".
- Escolha o modelo: o base é o mais rápido, o small é mais preciso e o large-v3-turbo, que aparece se o seu navegador for compatível com WebGPU, é o mais preciso.
- Solte um arquivo de áudio ou vídeo na caixa ou escolha-o e clique em "Começar a transcrever". Na primeira vez, o mecanismo e o modelo são baixados de leedybox.com.
- O texto aparece à medida que cada parte da gravação é transcrita. Você pode parar a qualquer momento e ficar com o texto até ali.
- Confira a transcrição com a gravação e copie-a ou baixe-a como arquivo .txt, ou como legendas .srt ou .vtt para um vídeo.
Perguntas frequentes
Minha gravação é enviada para um servidor?
Não. O arquivo é decodificado e transcrito no seu navegador. A LeedyBox só envia o mecanismo de reconhecimento de fala e o modelo para o seu navegador; o áudio e a transcrição não são enviados a lugar nenhum, e a parte da página que executa o modelo está impedida de se conectar a outros sites.
Quais idiomas são suportados?
Os 99 idiomas dos modelos multilíngues do Whisper, entre eles português, inglês, espanhol, francês, italiano, alemão, russo, turco, chinês, japonês, coreano, vietnamita, indonésio e tailandês. A precisão varia muito de um idioma para outro: é melhor nos idiomas mais falados, que têm mais dados de treinamento.
Qual modelo devo escolher?
Se o navegador do seu computador oferecer o large-v3-turbo, use-o: nos nossos testes ele não cometeu nenhum dos erros do base e do small e foi o mais rápido, porque roda na placa de vídeo; ele baixa cerca de 750 MB uma única vez. Caso contrário, comece pelo base (cerca de 90 MB, mais ou menos metade da duração da gravação num computador recente) e troque para o small (cerca de 250 MB, umas três vezes mais lento) se a transcrição tiver erros demais. No celular, use o base.
Qual pode ser a duração da gravação?
Não há um limite fixo, mas o tempo de processamento cresce com a duração e tudo acontece no seu aparelho. Num computador, gravações de até uma hora funcionam bem. Arquivos mais longos podem levar horas e ficar sem memória; é mais seguro dividi-los em partes.
Qual é a diferença entre SRT e VTT?
Os dois são arquivos de legenda com o texto e o momento em que ele aparece. O SRT (SubRip) é o formato mais aceito por editores e players de vídeo. O VTT (WebVTT) é o formato do W3C para legendas em páginas web e vídeo HTML5. Escolha o que o seu player ou plataforma pedir.
Por que algumas palavras saem erradas ou inventadas?
O Whisper adivinha o texto mais provável a partir do som. Ruído, música, vozes sobrepostas, sotaques, nomes e termos técnicos causam erros, e em trechos em silêncio ou muito barulhentos ele às vezes repete frases ou escreve coisas que não foram ditas. Ajuda escolher o idioma, usar o modelo small e gravar mais perto do microfone.
Por que o large-v3-turbo não aparece no meu navegador?
Ele roda na placa de vídeo por meio do WebGPU, um recurso do navegador para fazer cálculos na GPU. As versões recentes do Chrome e do Edge no Windows, macOS e ChromeOS, e o Safari nos Macs recentes, oferecem esse recurso; outros navegadores e muitos celulares não. Só com o processador, esse modelo levaria várias vezes a duração da gravação, por isso ele só aparece onde há WebGPU.