DISCURSO para TEXTO

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.