Transcrever Vídeo

Não. O modelo de fala é baixado no navegador e a transcrição acontece no seu dispositivo — a gravação nunca é enviada para nós ou terceiros. Você pode desconectar da internet após o modelo carregar e ainda assim funcionar.

Sim, e o próprio modelo de fala faz isso — o mesmo que transcreve também identifica idiomas. Na gravação em holandês que testamos, ele indicou holandês com 96% de confiança. O idioma detectado aparece no menu logo que identificado, para você confirmar ou parar rápido se estiver errado. Se você já sabe o idioma, selecionar manualmente é mais seguro.

Depende da qualidade escolhida e do seu computador, cada opção indica o tempo aproximado para cada minuto de gravação. A ferramenta usa a placa gráfica se disponível, ou todos os núcleos do processador. No desktop que testamos, um vídeo de dez minutos levou cerca de um minuto e meio no modo Melhor com GPU, e cerca de dois minutos e meio no modo Bom sem GPU. No modo Melhor leva quase o tempo da gravação. O tempo estimado vai se ajustando durante a transcrição.

Mais de vinte, incluindo inglês, dinamarquês, holandês, alemão, francês, espanhol, italiano, polonês, finlandês, sueco, norueguês, português, russo, ucraniano, turco, árabe, hindi, japonês, coreano e chinês. Escolha um antes de começar ou deixe que o áudio detecte automaticamente.

Para o inglês, sim — existe essa opção. O modelo pode transcrever o que ouve ou traduzir para inglês, não suporta outros pares. Não traduz do dinamarquês para alemão, por exemplo.

Qualquer um que seu navegador toque: MP4, MOV, WebM, MKV e AVI para vídeo; MP3, M4A, WAV, FLAC, OGG e Opus para áudio. Ele extrai o som direto do vídeo, então não precisa separar o áudio antes.

Texto simples, Word (.docx), PDF, Markdown, CSV para planilha, JSON, e legendas SRT ou VTT. Os formatos para documento podem ter marcação de tempo por parágrafo, e os arquivos de legenda trazem os tempos que players de vídeo precisam.

Boa, e honesta sobre não ser perfeita. Em uma entrevista de nove minutos em holandês, foi quase idêntica a uma ferramenta desktop; os erros são principalmente nomes próprios, que reconhecimento de fala normalmente encontra dificuldades. Leia antes de confiar integralmente.

Vinte minutos por arquivo. Isso é limite de memória — o áudio decodificado fica na memória do navegador, e acima de vinte minutos uma aba pode sobrecarregar seu dispositivo. Use nosso cortador de áudio para dividir gravações longas.

Porque o modelo de fala é baixado uma vez. O tamanho varia conforme a qualidade e se seu computador tem ou não placa gráfica, desde cerca de 80 MB para Rápido até 1,6 GB para Melhor. Com placa, baixa versões otimizadas para ela; sem, versões para processador. O navegador guarda o modelo para futuras transcrições.

Os modelos Rápido, Bom, Melhor e o que traduz para inglês são baixados do repositório público Hugging Face. O Melhor é nossa própria versão do Whisper large-v3, pois ninguém publica este, baixado do nosso servidor. Esses são os únicos downloads do ferramenta, todos só baixam arquivos, nada é enviado. Sua gravação só interage com o modelo localmente dentro do navegador. O restante do código roda de helpyself.com.

Nenhum cookie, nada da sua gravação ou transcrição. O site guarda algumas preferências gerais — tema, login — e esta ferramenta adiciona só o modelo de fala, armazenado localmente pelo navegador para acelerar a próxima transcrição, para cada configuração usada. Esse arquivo fica entre 80 MB e 1,6 GB e sai ao limpar os dados do site no navegador.

Quando a gravação tem trechos sem fala clara — música, aplausos, nota sustentada ou barulho de ventilador — o modelo fica em loop escrevendo a mesma frase fluentemente e no idioma certo, sem indicar erro no texto. Nesses casos, aquele trecho é parafraseado novamente com mais aleatoriedade, e se repetir ele é ignorado e a ferramenta avisa no resumo. Melhor ter lacuna visível do que diálogo falso.

O padrão é Melhor no computador com placa gráfica e Bom sem. Escolha Melhor ao lidar com áudio ruim — sotaque, barulho, várias pessoas ou canto. A diferença foi medida em músicas, o caso mais difícil: em três faixas conhecidas o Melhor recuperou 47%, 57% e 100% das palavras; Bom teve 33%, 40% e 83%. O Melhor é o mais preciso e lento, para quando cada palavra importa. Rápido é para rascunho rápido.