Privacidade em primeiro lugar
Os arquivos enviados são excluídos automaticamente e permanentemente em até duas horas.
Exclusão automática
Fala para Texto
Dite textos, narrações, anotações de aula, respostas de entrevistas ou uma locução rápida diretamente no navegador, ou envie uma gravação, e receba as palavras em um arquivo de texto simples (.txt, UTF 8). A transcrição é feita com o Whisper, o modelo de reconhecimento de fala de código aberto, em nossos próprios servidores – em cerca de 100 idiomas, detectados automaticamente.
-
Grave: fale no gravador do navegador — até 30 minutos por gravação — ou envie arquivos MP3, WAV, M4A, AAC, OGG, FLAC ou WebM.
-
Transcrição: o Whisper escreve as palavras com pontuação; opcionalmente, marque as mudanças de locutor em entrevistas e reuniões. Saída: um arquivo de texto simples (.txt, UTF 8).
-
Privado: nada é enviado até que você confirme. O áudio e a transcrição são excluídos automaticamente após o processamento, no máximo em algumas horas.
Transcrição
Como funciona a conversão de fala em texto
A página combina um gravador no navegador com um sistema de transcrição por GPU. A gravação usa a interface MediaRecorder integrada ao Chrome, Firefox, Edge e Safari; o reconhecimento é feito pelo Whisper, o modelo de código aberto publicado pela OpenAI, executado em nosso próprio hardware, e não em uma API de terceiros.
Como usar Converter App
1
Grave ou envie um arquivo
Pressione "Gravar com seu microfone", permita o acesso uma vez e fale. Um cronômetro e um medidor de nível confirmam que o áudio está sendo captado. Ou envie uma gravação existente — memorandos de voz de qualquer celular funcionam.
2
Verificar e iniciar
Ouça a gravação na caixa de diálogo. Ative “Detectar vários falantes” para entrevistas e reuniões (isso identifica quem está falando, mas demora consideravelmente mais). Em seguida, inicie a transcrição.
3
Baixar a transcrição
O progresso é exibido enquanto o modelo trabalha; alguns minutos de fala geralmente levam bem menos de um minuto. Baixe um arquivo de texto simples (.txt, UTF 8) na página de resultados.
Principais recursos
Whisper integrado ao sistema
O Whisper foi treinado com 680.000 horas de áudio multilíngue e lida com sotaques, ruídos de fundo e vocabulário técnico muito melhor do que os mecanismos de ditado de alguns anos atrás. O idioma é detectado automaticamente.
Detecção de locutores sob demanda
Em conversas, a detecção opcional de locutores identifica mudanças de locutor na transcrição. Ela aproximadamente dobra o tempo de processamento, por isso vem desativada por padrão.
Saída de texto que se adapta ao seu fluxo de trabalho
A transcrição é salva como um arquivo de texto simples UTF 8, com pontuação normal e quebras de parágrafo, para que possa ser aberta em qualquer editor, processador de texto ou aplicativo de notas e colada em qualquer lugar.
Gratuito e privado
Sem conta, sem marca-d’água, sem limite de testes. A gravação nunca sai do seu dispositivo até que você confirme, e o áudio e a transcrição são removidos automaticamente após o processamento.
Experiência & privacidade
Criado para fluxos de trabalho de transcrição confiáveis.
Desenvolvido por engenheiros com mais de 10 anos de experiência em infraestrutura de grande escala, sistemas de dados e computação científica. Projetado para fluxos de trabalho de áudio do mundo real, em que privacidade, processamento confiável e usabilidade prática são importantes.
Confiado pelos usuários
Avaliado com 5 estrelas no Trustpilot por velocidade, confiabilidade e facilidade de uso.
Confiança do usuário
Uso acadêmico
Referenciado em pesquisas publicadas e usado para transcrição de entrevistas e análise de dados qualitativos.
Uso para pesquisa
Como a fala se transforma em texto nesta página
Seu navegador grava o microfone como áudio Opus (Chrome, Firefox, Edge) ou AAC (Safari) e o mantém na memória. Quando você confirma, o arquivo é enviado por HTTPS para um de nossos servidores de transcrição.
Nele, o ffmpeg decodifica o áudio e o Whisper – um modelo de reconhecimento de fala de código aberto – o transforma em texto em uma única etapa, incluindo pontuação e quebras de frase. Se a detecção de locutores estiver ativada, um modelo de diarização primeiro separa o áudio por locutor, e a transcrição é anotada adequadamente.
A transcrição é salva como um arquivo de texto simples em UTF 8, com pontuação normal e quebras de parágrafo, para que possa ser aberta em qualquer editor, processador de texto ou aplicativo de notas e colada em qualquer lugar. A página de resultados permite baixá-la; o áudio e a transcrição são excluídos automaticamente depois.
Dicas de gravação que importam mais do que qualquer configuração
O reconhecimento de fala é tão bom quanto o áudio. Três fatores fazem a maior diferença: distância, ruído e sobreposição de vozes. Mantenha o microfone a 10–20 cm da boca; um celular próximo é melhor do que um laptop do outro lado da mesa. Desligue ventiladores, feche a janela e evite ambientes com eco forte.
Fale em um ritmo normal e termine as frases – o modelo usa o contexto, portanto, frases pela metade e palavras de preenchimento geram um texto pior do que uma fala completa, mesmo que um pouco mais lenta. Em entrevistas, peça às pessoas que não falem umas por cima das outras; a fala sobreposta é o caso mais difícil para qualquer reconhecedor.
Ouça a prévia antes de começar. Se o medidor de nível quase não se mover ou ficar constantemente no máximo, grave novamente em vez de esperar que a transcrição fique correta.
Usos comuns da conversão de fala em texto
Esta ferramenta é usada por professores, podcasters, jornalistas e qualquer pessoa que pensa mais rápido falando do que digitando: para redigir um e-mail ou artigo falando, registrar atas de reuniões, transformar uma palestra ou nota de voz em anotações pesquisáveis, transcrever respostas de entrevistas para pesquisas e obter uma versão legível de uma mensagem de voz que não pode ser reproduzida no momento.
Como o Whisper detecta o idioma automaticamente, a mesma página funciona para um ditado em alemão, uma nota de voz em espanhol ou uma palestra em inglês, sem necessidade de configuração. A transcrição não é traduzida – ela é escrita no idioma falado.
Para áudios que já existem como arquivo – podcasts, palestras e chamadas –, os conversores de áudio para texto e de MP3 para texto deste site usam o mesmo mecanismo com as mesmas opções.
O que esta ferramenta não faz
Ele não traduz: as transcrições ficam no idioma falado. Ele não gera marcações de tempo para legendas — para arquivos SRT ou VTT, use os conversores de legendas deste site. Ele não identifica os falantes pelo nome, apenas detecta mudanças de falante quando a detecção de falantes está ativada. E não consegue recuperar palavras inaudíveis na gravação.
Nomes próprios, nomes de produtos e abreviações pouco comuns são os erros mais frequentes; uma rápida revisão do resultado considerando esses elementos geralmente é toda a edição necessária para uma gravação nítida.
FAQ
Perguntas Frequentes
Qual é a precisão da transcrição?
Com uma gravação nítida e apenas uma pessoa falando, o Whisper normalmente reconhece bem mais de 90% das palavras nos principais idiomas, incluindo a pontuação. A precisão diminui com ruído de fundo intenso, várias pessoas falando ao mesmo tempo, áudio muito baixo ou sotaques marcantes – as dicas de gravação abaixo ajudam mais do que qualquer configuração.
Quais idiomas são compatíveis?
O Whisper reconhece cerca de 100 idiomas e detecta o idioma automaticamente nos primeiros segundos do áudio, portanto não é necessário configurar nada. Gravações com idiomas misturados são transcritas no idioma predominante. A transcrição é escrita no idioma falado; ela não é traduzida.
O áudio é enviado enquanto eu falo?
Não. O gravador mantém o áudio no seu navegador até que você pressione o botão na caixa de diálogo. Se você cancelar ou fechar a aba, nada será enviado. Os arquivos enviados e as transcrições são excluídos automaticamente após o processamento.
Qual pode ser a duração da gravação?
O gravador no navegador para após 30 minutos; os arquivos enviados podem ser mais longos. O tempo de processamento aumenta conforme a duração do áudio, e a detecção de locutores acrescenta aproximadamente o mesmo tempo novamente.
O que faz a opção "Detectar vários falantes"?
Ele executa uma etapa de diarização de locutores antes da transcrição e insere um marcador sempre que o locutor muda. Use esse recurso para entrevistas, reuniões e podcasts; deixe-o desativado para ditados e notas de voz, pois ele apenas aumenta o tempo de espera.
Posso editar o texto depois?
Sim – o resultado é um arquivo .txt simples. Abra-o em qualquer editor, corrija nomes ou termos técnicos que o modelo tenha entendido incorretamente e cole-o onde precisar. Nomes próprios e abreviações pouco comuns são os itens mais frequentes a serem verificados.