Em resumo (BLUF): A ferramenta transforma áudio ou vídeo em texto e legendas: reconhece a fala com o modelo Whisper diretamente no seu navegador, detecta o idioma da gravação ou usa o que você escolher, adiciona marcações de tempo e entrega o resultado em TXT, SRT, VTT e JSON. Para vídeo ela ainda monta um clipe com legendas embutidas nas imagens. O arquivo nunca é enviado, nenhum token é cobrado e aqui não existe API paga.
A ferramenta recebe um áudio ou um vídeo e transforma a fala em texto. Você envia o arquivo e recebe uma transcrição com marcações de tempo, legendas prontas e, no caso de vídeo, o mesmo clipe com legendas gravadas diretamente nos quadros.
O reconhecimento roda no modelo Whisper (o modelo multilíngue aberto Xenova/whisper-tiny) por meio do Transformers.js: na placa de vídeo via WebGPU quando o navegador oferece, caso contrário no processador via WASM. A trilha de áudio é extraída do arquivo localmente, na memória do seu navegador.
Áudio: MP3, WAV, M4A, AAC, OGG, Opus, FLAC. Vídeo: MP4, WebM, MOV, M4V, MKV, AVI, OGV. Com um vídeo, a ferramenta separa sozinha a trilha de áudio: não é preciso extraí-la à parte.
O som é convertido para mono de 16 kHz, exatamente o formato que o Whisper espera. Uma gravação longa é reconhecida em blocos de 30 segundos com sobreposição de 5 segundos, para que nenhuma palavra se perca nas emendas.
O arquivo não é enviado: o som, o reconhecimento e a montagem das legendas acontecem todos dentro do seu navegador. Aqui não há API paga e nenhum token é cobrado.
Os pesos do modelo são baixados uma vez do catálogo aberto do Hugging Face e ficam na cache do seu navegador: na próxima visita o modelo sobe sem baixar nada de novo. Não há inferência no servidor, nem CUDA, nem GPU reserva do nosso lado.
O Whisper reconhece 99 idiomas. Por padrão o idioma é detectado automaticamente e a ferramenta mostra qual ouviu. Se a gravação é curta ou mista, você pode escolher o idioma manualmente na lista: o reconhecimento fica mais preciso.
Você pode copiar o texto com um botão ou baixá-lo em quatro formatos. TXT é uma transcrição simples, com ou sem marcações de tempo. SRT e VTT são legendas prontas para players, editores de vídeo e YouTube. JSON é a transcrição com o idioma, a duração e cada fala com suas marcações de tempo, útil para processar depois.
Para um arquivo de vídeo a ferramenta monta um clipe novo em que as legendas ficam gravadas diretamente nos quadros. Um vídeo assim roda em qualquer lugar, mesmo onde legendas externas não são suportadas: em mensageiros, em redes sociais e em qualquer player. O som original é mantido.
As mesmas legendas também são baixadas como arquivos SRT e VTT, para anexar ao vídeo original sem remontá-lo.
Ela não traduz a fala para outro idioma: o reconhecimento roda no idioma da gravação; tradução é uma tarefa à parte. Não separa falantes por voz e não marca quem disse o quê.
Não trata música e ruído como fala: se não há fala inteligível na gravação, a transcrição sai vazia ou imprecisa. A qualidade depende da gravação: com uma voz limpa, sem ruído nem eco, o resultado é bem melhor.
Escolha um áudio ou um vídeo, defina o idioma se quiser (ou deixe a detecção automática) e aperte «Reconhecer fala». Espere a transcrição: o progresso aparece na tela e o reconhecimento pode ser cancelado.
Depois copie o texto ou baixe TXT, SRT, VTT ou JSON. Se enviou um vídeo, aperte «Fazer vídeo com legendas» e baixe o clipe pronto.
Criadores de vídeo e podcast: legendas para publicar e transcrição para as descrições. Estudantes e jornalistas: o texto de aulas, entrevistas e gravações de ditafone. Todos os que precisam do texto de uma gravação rápido, sem mandá-la ao servidor de outra pessoa.
Para lugar nenhum. O som é extraído e reconhecido inteiramente dentro do seu navegador, no seu dispositivo. Nosso servidor nunca recebe o arquivo.
Não. É uma ferramenta gratuita que roda no seu dispositivo: aqui não há API paga, então não há nada a cobrar.
O modelo calcula no seu dispositivo. A primeira execução demora mais: os pesos do modelo são baixados e o grafo é aquecido. Depois o modelo vem da cache do navegador e o reconhecimento fica mais rápido.
Escolha o idioma manualmente na lista e rode o reconhecimento de novo: em gravações curtas a escolha manual é mais precisa que a automática.
Sim. Baixe SRT ou VTT e anexe ao vídeo, ou monte direto na ferramenta um clipe com legendas embutidas.