Privacidade em primeiro lugar
Os arquivos enviados são excluídos automaticamente e permanentemente em até duas horas.
Exclusão automática
Voz para Texto
Dite uma nota de voz, um lembrete, uma mensagem para um colega ou um breve memorando 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 você confirmar. O áudio e a transcrição são excluídos automaticamente após o processamento, no máximo em poucas horas.
Transcrição
Como a conversão de voz em texto funciona
A página combina um gravador no navegador com um backend de transcrição por GPU. A gravação usa a interface MediaRecorder integrada ao Chrome, Firefox, Edge e Safari; o reconhecimento é realizado pelo Whisper, o modelo de código aberto publicado pela OpenAI, executado em nosso próprio hardware em vez de 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 – mensagens 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 processa; 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
Tecnologia Whisper integrada
O Whisper foi treinado com 680.000 horas de áudio em vários idiomas e lida muito melhor com sotaques, ruído de fundo e vocabulário técnico do que os mecanismos de ditado de alguns anos atrás. O idioma é detectado automaticamente.
Detecção de locutores sob demanda
Para conversas, a detecção opcional de locutores identifica mudanças de locutor na transcrição. Ela aproximadamente dobra o tempo de processamento, por isso fica desativada por padrão.
Saída de texto que se adapta ao seu fluxo de trabalho
A transcrição é salva como um arquivo de texto UTF 8 simples, 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 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.
FAQ
Perguntas Frequentes
Qual é a precisão da transcrição?
Com uma gravação nítida e apenas uma pessoa falando, o Whisper normalmente acerta bem mais de 90 % das palavras nos principais idiomas, incluindo a pontuação. A precisão diminui com muito ruído de fundo, várias pessoas falando ao mesmo tempo, áudio muito baixo ou dialetos marcantes – as dicas de gravação abaixo ajudam mais do que qualquer configuração.
Quais idiomas são compatíveis?
O Whisper reconhece cerca de 100 idiomas e seleciona o idioma automaticamente nos primeiros segundos do áudio, portanto não é necessário configurar nada. Gravações com vários idiomas 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 a opção "Detectar vários falantes" faz?
Ele executa uma etapa de diarização de locutores antes da transcrição e insere um marcador sempre que o locutor muda. Use-o para entrevistas, reuniões e podcasts; deixe-o desativado para ditados e notas de voz, em que 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 errado e cole-o onde precisar. Nomes próprios e abreviações pouco comuns são os itens mais frequentes a verificar.