Transcrever áudio em legendas
A primeira execução baixa o modelo de fala — cerca de 45 MB para o nível rápido e 81 MB para o preciso, servidos por este site e em cache no navegador depois disso. Nada é enviado, e a transcrição é feita por máquina: revise o texto e os tempos antes de publicar.
Opções
Dois níveis do mesmo modelo. O rápido tem cerca de 45 MB e transcreve aproximadamente duas vezes mais rápido; o preciso tem cerca de 81 MB e acerta mais maiúsculas e pontuação. Os dois rodam aqui, e o download acontece uma vez por navegador. Em uma gravação longa, experimente o nível rápido primeiro para conferir se o idioma está certo.
O idioma falado na gravação. Não há opção automática: esta versão do modelo não detecta idioma, e sem nenhum escolhido ela assume inglês. Uma gravação em chinês lida como inglês não falha — produz um texto fluente sem sentido, que é muito mais difícil de perceber. Escolha o idioma que você realmente ouve.
.srt toca em todo lugar, inclusive editores e televisores antigos; .vtt é o formato da web e carrega um pouco mais de estrutura. Os dois guardam exatamente os mesmos blocos com exatamente os mesmos tempos, então escolha o que a próxima ferramenta da sua cadeia espera.
Esta página escuta uma gravação e escreve o que ouve como um arquivo de legendas: um bloco por frase, com o início e o fim de cada bloco colocados onde as palavras realmente acontecem. Solte uma entrevista, uma palestra, um memorando de voz ou a faixa de áudio de um filme que não tem faixa de legendas nenhuma, e você recebe um .srt ou um .vtt que toca em qualquer player. Nenhuma faixa de legendas precisa existir antes — esta é a página para quando não há nada para extrair.
A escuta acontece na aba. O modelo de fala roda em WebAssembly através do onnxruntime, os arquivos do modelo são servidos por este site e o único tráfego de rede é esse download: cerca de 45 MB para o modelo rápido e cerca de 81 MB para o preciso, guardados em cache pelo navegador depois. A gravação nunca é enviada a lugar nenhum. Se você abrir o painel Network enquanto um arquivo é transcrito, verá requisições descendo para dados do modelo e nem um byte subindo.
O que sai é o melhor palpite de uma máquina, não uma transcrição oficial. Palavras que ela ouve errado continuam erradas, e os tempos são precisos mais ou menos no comprimento de uma frase do que no de um quadro. Revise antes de publicar e trate o resultado como trataria uma primeira passada digitada por uma pessoa rápida que não conhecia o assunto. É a mesma regra de honestidade que as páginas de OCR seguem, e é por isso que esta página diz isso no topo em vez de em nota de rodapé.
A gravação é cortada em janelas de 30 segundos com 5 segundos de sobreposição, e cada janela é transcrita por conta própria. É isso que torna arquivos longos possíveis sem manter uma hora de áudio no modelo de uma vez, e também é por isso que cancelar faz efeito na próxima janela em vez de instantaneamente. Frases que atravessam uma fronteira são deduplicadas descartando tudo o que a janela seguinte reporta que comece antes de a anterior terminar — a leitura anterior vence, porque ouviu a frase inteira.
Frases longas são divididas nas fronteiras de frase e depois por um par de limites: nenhum bloco com mais de sete segundos e nenhum bloco com mais de 84 caracteres, quebrado em no máximo 42 caracteres por linha. São os mesmos limites que a maioria das emissoras especifica, então a saída costuma passar em uma primeira verificação de conformidade sem edição.
Perguntas frequentes
O que acontece na transcrição de áudio para legendas quando a gravação está em um idioma diferente do inglês?
Você precisa dizer à página qual idioma é falado, porque esta compilação do modelo não o detecta. Não existe opção automática, e isso é deliberado: sem idioma escolhido o modelo assume inglês. Uma gravação em chinês lida como inglês não falha — devolve palavras em inglês com aparência confiante que soam vagamente como o original, o que é muito mais difícil de notar do que uma mensagem de erro. Escolha o idioma que você de fato ouve e, se estiver em dúvida, transcreva trinta segundos com o modelo rápido primeiro e confira.
Qual é a precisão dos tempos da transcrição para SRT ou VTT em comparação com uma legenda feita à mão?
Boa o bastante para tocar, não o bastante para ir ao ar sem edição. O início e o fim de cada bloco vêm das próprias fronteiras de segmento do modelo, que caem nas bordas de frase e não no quadro exato em que uma palavra começa. Onde dois blocos se sobreporiam, o posterior é empurrado para a frente e o ajuste é contado na lista de perdas, então nada se sobrepõe e nada anda para trás no tempo. Se um cliente precisa de sincronia com precisão de quadro — uma casa de legendagem entregando para uma emissora —, a resposta honesta é que esta saída é um rascunho a ser cronometrado à mão, não uma entrega.
Por que o modelo rápido é oferecido na transcrição para legendas se o preciso existe?
Porque em um arquivo longo a diferença é a diferença entre esperar e desistir. Medido em um minuto de fala clara, o modelo rápido leva cerca de 3,7 segundos e o preciso cerca de 7,5 — mais ou menos o dobro de espera por cada minuto de áudio. O rápido também usa maiúsculas com mais agressividade e às vezes inventa pontuação; o preciso fica mais perto do que uma pessoa escreveria. Um padrão comum é rodar o rápido sobre uma entrevista de uma hora para conferir o idioma e a qualidade do áudio e depois rodar de novo com o preciso quando já se sabe que o arquivo está bom.
O que significa "nenhuma fala reconhecida" na transcrição para legendas quando eu consigo ouvir gente falando?
Significa que o modelo não ouviu nada que pudesse escrever, o que tem três causas usuais: o idioma escolhido não corresponde ao que é falado, a fala está enterrada sob música ou ruído, ou a faixa de áudio está muito baixa. O arquivo em si está intacto — a página distingue esse caso de um arquivo cujo áudio não pôde ser decodificado, porque os dois exigem correções diferentes. Troque o idioma falado ou confira se a faixa de áudio que você soltou é a que pretendia (a faixa de comentários de um filme é um stream diferente do diálogo).
Consigo parar uma transcrição que vai demorar demais?
Sim, e a página é explícita sobre quando ela para. O download do modelo pode ser cancelado a qualquer momento. Durante o reconhecimento, o modelo não pode ser interrompido no meio de uma janela — então cancelar faz efeito no início da próxima janela de 30 segundos, que no modelo rápido fica a alguns segundos de distância. Nada parcial é oferecido como download. O modelo continua em cache, então tentar de novo não o baixa outra vez.
O .srt resultante mantém rótulos de falante ou pontuação?
Mantém a pontuação que o modelo produziu, que costuma ser sensata mas não é confiável, e não inventa rótulos de falante: este modelo não separa vozes, então duas pessoas falando viram um único fluxo de texto. Acrescentar rótulos de falante é trabalho manual aqui. Se você precisa deles, transcreva primeiro e edite depois — o arquivo abre em qualquer editor de legendas, e os blocos já estão divididos nas fronteiras de frase, o que torna essa passada muito mais rápida do que começar de uma linha do tempo em branco.