Voz para Texto

Como a voz 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.

Lá, 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 falantes estiver ativada, um modelo de diarização primeiro separa o áudio por falante, e a transcrição é anotada de acordo.

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 mais importantes 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 segurado perto funciona melhor do que um notebook do outro lado da mesa. Desligue ventiladores, feche a janela e evite ambientes com muito eco.

Fale em um ritmo normal e conclua as frases – o modelo usa o contexto, portanto frases pela metade e palavras de preenchimento geram um texto pior do que uma fala completa, ainda que um pouco mais lenta. Em entrevistas, peça às pessoas que não falem umas sobre as 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 saia correta.

Usos comuns da conversão de voz em texto

Esta ferramenta é usada por pessoas que preferem falar em vez de digitar ou que precisam de uma mensagem de voz fora de um aplicativo de chat: redigir um e-mail ou artigo falando, registrar atas de reuniões, transformar uma palestra ou uma nota de voz em anotações pesquisáveis, transcrever respostas de entrevistas para pesquisa 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 nenhuma 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

Não traduz: as transcrições ficam no idioma falado. Não gera marcações de tempo para legendas — para arquivos SRT ou VTT, use os conversores de legendas deste site. Não identifica os falantes pelo nome, apenas detecta mudanças de falante quando a detecção de falantes está ativada. Também não consegue recuperar palavras que não são audíveis na gravação.

Nomes próprios, nomes de produtos e abreviações pouco comuns são os erros mais frequentes; uma rápida revisão do resultado levando isso em conta geralmente é toda a edição necessária para uma gravação limpa.