Reconhecimento de fala no navegador
Esta ferramenta converte MP3 em texto usando o Whisper, um modelo aberto de reconhecimento de fala. A maioria dos serviços de transcrição online envia seu áudio para um servidor. Aqui, o modelo é baixado uma vez para o seu navegador e depois roda no seu próprio computador ou celular. Sua gravação nunca sai do seu dispositivo, o que é importante para entrevistas, anotações médicas ou jurídicas, reuniões e mensagens de voz pessoais. Depois do primeiro download, o modelo fica armazenado no navegador e carrega mais rápido nas próximas vezes.
Idiomas e precisão
Aqui o Whisper funciona com 23 idiomas, incluindo inglês, espanhol, francês, alemão, italiano, português, russo, chinês, japonês, coreano, turco e polonês. A precisão é melhor com fala clara e pouco ruído de fundo. Ela é menor nestes casos:
- várias pessoas falando ao mesmo tempo;
- música ou ruído de fundo muito forte;
- vozes muito baixas ou distantes;
- nomes incomuns e termos técnicos;
- mistura de vários idiomas na mesma frase.
Escolher o idioma manualmente, em vez de usar a detecção automática, costuma dar melhores resultados, principalmente em gravações curtas.
Formatos de saída
| Formato | O que contém | Uso |
|---|---|---|
| TXT | texto simples | anotações, documentos, citações |
| SRT | legendas numeradas com tempo de início e de fim | editores de vídeo, YouTube, a maioria dos players |
| VTT | legendas para web com marcações de tempo | players de vídeo HTML5, páginas web |
Velocidade e gravações longas
A transcrição exige muito do computador. Em um notebook moderno, uma gravação de uma hora pode levar de alguns minutos até mais do que a duração real, dependendo do processador, do tamanho do modelo e do navegador. Em celulares, é mais lento. Mantenha a aba aberta enquanto o processo roda. Para arquivos muito longos, você também pode dividir a gravação em partes com o Dividir áudio e transcrever uma de cada vez.
Dicas para uma transcrição melhor
O modelo ouve em janelas curtas de cerca de 30 segundos e escreve o que ouve com os tempos de início e de fim. Ele coloca pontuação e letras maiúsculas sozinho, mas não sabe quem está falando; por isso, em uma entrevista, você mesmo precisará identificar quem fala. Silêncios longos e músicas sem fala são ignorados ou ficam em branco. Se o início da gravação for música, as primeiras linhas de texto podem começar mais tarde do que você espera; isso é normal.
- Limpe gravações com ruído usando a Redução de ruído antes de transcrever.
- Se a pessoa falar baixo, aumente o volume antes com o Normalizar.
- Para legendas, confira a sincronização no seu player de vídeo. Se uma legenda ficar longa demais para ler, divida-a em um editor de texto; SRT e VTT são arquivos de texto simples.
- Sempre leia a transcrição uma vez. Corrija nomes, números e palavras que o modelo possa ter entendido errado.
Arquivos de vídeo também funcionam: arraste um MP4 e a ferramenta transcreve a trilha sonora, um jeito rápido de criar legendas para os seus próprios vídeos.