Quem falou quando de graça: separação de voz e legendas ao vivo

Depois de uma reunião, uma entrevista ou uma palestra, você fica com uma gravação onde várias pessoas conversam, e uma transcrição comum não pode dizer quem disse o quê. Quem falou quando é uma ferramenta de navegador gratuita: divide a gravação em falantes (até quatro), opcionalmente transforma a fala em um diálogo com carimbo de data e hora e sua segunda guia executa legendas ao vivo diretamente do seu microfone. O arquivo nunca é carregado, nenhum token é gasto e nenhuma conta é necessária.

Como funciona

A separação dos falantes é alimentada pelo modelo NVIDIA Sortformer: ele encontra até quatro falantes e define os períodos de tempo em que cada um foi ouvido. Se você deixar a caixa “Também transcrever o discurso” marcada, as palavras serão anexadas aos falantes – você obterá uma transcrição do diálogo chamada “Falante 1”, “Falante 2” e assim por diante, que você pode copiar ou baixar como TXT, SRT, VTT ou JSON. Um emblema próximo à linha do tempo mostra quantos falantes o modelo encontrou.

A primeira execução baixa os pesos do modelo para o seu dispositivo – cerca de 380 MB no total. Depois disso, eles permanecem armazenados em cache no seu navegador e as execuções posteriores não precisam de rede. Com placa gráfica (WebGPU) a análise é rápida; sem ele, o mecanismo volta para o processador (WASM) — visivelmente mais lento, mas o resultado é o mesmo, e a ferramenta informará quando isso acontecer. O áudio é reduzido para mono de 16 kHz dentro do navegador; nada precisa ser gravado em qualquer lugar.

Marcando sua própria gravação

1. Abra o ferramenta e escolha um arquivo de áudio ou vídeo: MP3, WAV, M4A, MP4 e WebM são aceitos e você pode soltar o arquivo no quadro.
2. Escolha a caixa “Transcrever também o discurso”: marcada, fornece um diálogo com carimbo de data e hora; desmarcado, apenas a linha do tempo “quem e quando falou”.
3. Pressione o botão Iniciar. Na primeira execução, aguarde o download dos modelos – a barra de progresso mantém você informado.
4. O resultado é a linha do tempo mais o diálogo. Copie o texto com um botão ou baixe-o no formato que desejar.

Legendas ao vivo do microfone

A segunda guia pega o som direto do microfone e legenda frase por frase enquanto você fala: a frase atual aparece grande, as finalizadas permanecem na lista abaixo. É adequado para uma reunião, palestra ou videochamada, quando as legendas são necessárias agora, e não após o processamento de um arquivo. O acesso ao microfone é solicitado pressionando o botão; nada é gravado em um arquivo e nada sai do navegador.

O que saber com antecedência

A ferramenta é jovem e experimental: a qualidade da separação depende da gravação. Conversas limpas com microfone são divididas com segurança, enquanto gravações barulhentas e ecoantes com interrupções constantes podem confundi-las. O trabalho de fala também exige memória – planeje cerca de 1 GB de espaço livre. No caminho do processador (WASM) uma gravação longa demora visivelmente mais tempo do que em uma placa gráfica. O modelo não aprende nomes: os rótulos “Falante 1” e “Falante 2” devem ser renomeados após a exportação, para corresponder aos seus minutos.

Quem precisa disso

Um jornalista pode descobrir rapidamente onde uma nova voz entra em uma entrevista. Um aluno pode gravar uma palestra linha por linha: onde o professor falou e onde o público perguntou. Um editor de podcast pode localizar trechos de uma longa sessão em que todos conversaram e cortá-los. O secretário da reunião pode criar um rascunho da ata com códigos de tempo sem enviar a gravação para lugar nenhum.

Quando você precisar de outra coisa

Se o que você deseja é texto simples em vez de detalhamento por voz, abra áudio e vídeo → texto. As outras ferramentas da seção ficam no Áudio página, e mais ferramentas locais gratuitas estão em Outras ferramentas. A análise é feita pela biblioteca aberta FluidAudio (licença MIT): o código e os modelos ficam no seu navegador, sem desvios para outros servidores.