Transcrever áudio em texto
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.
Esta página transforma uma gravação em texto simples: parágrafos do que foi dito, com os timecodes deixados de fora. É o mesmo motor de escuta da versão para legendas desta página — mesmos modelos, mesmas janelas de trinta segundos, mesma regra de tudo local —, mas o último passo é diferente. Em vez de escrever um bloco por frase, ela junta as frases em parágrafos e descarta a marcação inteira, então o que você recebe é algo que pode colar em um documento, em um e-mail ou em um conjunto de notas de reunião.
Os parágrafos quebram nas duas coisas que de fato separam pensamentos na fala: uma pausa maior que um segundo e meio, ou quatro frases seguidas. Só uma regra baseada em lacuna transformaria um monólogo de cinco minutos em uma parede de texto ilegível; só uma regra baseada em contagem de frases partiria a pausa de um falante para respirar em um novo parágrafo. As duas juntas produzem algo que se lê mais ou menos do jeito que a pessoa falou.
O trabalho é local. O modelo de fala é baixado uma vez deste site — cerca de 45 MB para o nível rápido e cerca de 81 MB para o preciso — e guardado em cache pelo navegador depois; a gravação em si nunca sai da aba. Não há etapa de upload a pular nem conta a criar, e é isso que torna a página utilizável em entrevistas que não podem ser enviadas a um serviço de transcrição.
A saída é um arquivo .txt nomeado a partir da gravação de origem: film.mkv vira film.transcript.txt. Esse sufixo distinto é de propósito — um .txt simples ao lado de outros arquivos de texto deve dizer o que é, e uma transcrição feita por máquina é um tipo de documento diferente de notas de reunião que alguém digitou.
Como na versão para legendas, o que sai precisa de revisão, e o idioma tem de ser escolhido à mão: esta compilação do modelo assume inglês quando não lhe dizem nada, e errar nisso produz disparates fluentes em vez de um erro.
Perguntas frequentes
Como a transcrição de áudio em texto difere da página que exporta um arquivo de legendas como texto?
A diferença está de onde vem a marcação. A página de exportação parte de um arquivo de legendas que já tem blocos e junta o texto deles em parágrafos — os tempos existiam e estão simplesmente sendo descartados. Esta página parte de áudio que não tem marcação nenhuma, constrói a marcação primeiro e depois a descarta. É por isso que uma gravação sem faixa de legendas funciona aqui e não lá, e por que esta página precisa baixar um modelo enquanto aquela é instantânea.
Por que os parágrafos da transcrição em texto quebram em um segundo e meio de silêncio?
Porque é mais ou menos onde os falantes trocam de pensamento. Lacunas mais curtas caem dentro de frases e cortariam o texto no meio de uma oração; limites muito maiores juntariam tópicos distintos em um parágrafo só. O teto de quatro frases existe para o caso em que a gravação não tem silêncio nenhum — uma locução ensaiada ou um podcast gravado em uma tomada —, onde as pausas nunca vêm e uma regra só de lacuna produziria um bloco único. As duas regras juntas são o menor conjunto que cobre as duas pontas.
A transcrição pode ser usada como prova ou registro oficial?
Não como sai daqui. É o melhor palpite de uma máquina, e a transcrição automática embaralha nomes, números e termos técnicos — justamente as palavras que mais importam em um registro. Em contexto jurídico ou médico, o fluxo correto é usá-la como rascunho conferido linha a linha contra o áudio e dizer isso no documento. Uma transcrição mais limpa do que o áudio merece é um passivo, e é também por isso que esta página nomeia o arquivo .transcript.txt em vez de algo que pareça uma ata.
E se a gravação tiver música ou várias pessoas falando ao mesmo tempo na transcrição em texto?
Fala sobreposta é onde qualquer modelo de fluxo único degrada: duas vozes ao mesmo tempo viram uma frase emendada, e nenhum rótulo de falante é produzido. Música de fundo costuma ser ignorada, mas música alta sob a fala pode arrancar palavras do texto ou inventar outras que nunca foram ditas. Se o resultado parecer estranho em alguns trechos, compare com o áudio naqueles pontos em vez de confiar no fluxo do texto — uma frase de aparência confiante não é prova de que foi dita.
A transcrição mantém a estrutura do arquivo, como capítulos ou nomes de faixa?
Não. Só o áudio transcrito passa; metadados do contêiner como marcadores de capítulo, títulos de faixa e etiquetas de idioma não fazem parte do texto. Se você está transcrevendo uma faixa de um arquivo com várias, a página lê o áudio do arquivo que você soltou, e as quebras de parágrafo vêm das pausas, não de onde estavam os capítulos. Dividir uma gravação longa em arquivos de capítulo antes é um fluxo razoável se você quer que essas fronteiras apareçam.