Como transcrever áudio para texto grátis

A resposta curta

Se você tem uma gravação e precisa agora das palavras dela em texto, abra uma ferramenta de transcrição no navegador que rode o modelo no seu dispositivo. Autorize o microfone ou escolha o arquivo de áudio, deixe o modelo baixar no primeiro uso, e você recebe texto editável em blocos separados por linhas em branco, um para cada janela de 30 segundos, com a contagem de palavras, a duração do clipe e o tempo do processamento, além dos botões de copiar e baixar. Sem conta, sem chave de API, sem cota, sem envio, e sem instalar nada.

Se você está falando ao vivo e quer que as palavras apareçam onde está o cursor — um e-mail, um documento, uma mensagem de chat —, esse é outro trabalho, chamado ditado, e o seu sistema operacional já faz isso de graça, sem baixar nada.

Se a transcrição precisa ser defensável — algo que você vai publicar, citar numa matéria, entregar a um tribunal ou registrar num prontuário médico —, a transcrição automática grátis é a ferramenta errada, e a própria página da ferramenta diz isso.

• Gravação salva virando arquivo de texto: uma ferramenta no navegador que roda no seu dispositivo.
• Fala ao vivo entrando num campo de texto: o ditado do seu sistema operacional ou do editor de texto.
• Qualquer coisa com consequência jurídica, clínica ou de publicação: uma pessoa.

O que o “grátis” custa aqui de fato

Não existe fatura, mas existe um preço, e vale nomeá-lo em vez de fingir que a palavra “grátis” significa custo zero.

O que você não paga: conta, chave de API, franquia mensal de minutos, pegadinha de “os primeiros 15 minutos são grátis” nem envio. Nenhum servidor está fazendo o trabalho, então não há conta de servidor para recuperar nem motivo para alguém monetizar o seu áudio.

O que você paga. Primeiro, tráfego: o modelo não vem embutido na página, ele é buscado no primeiro uso, então a primeira execução baixa os pesos antes de qualquer coisa acontecer. Seu navegador guarda essa cópia e reutiliza depois, o que faz dele um custo único em vez de um custo por uso — mas continua sendo custo numa conexão com franquia de dados.

Segundo, a sua máquina. A inferência roda na sua CPU dentro da aba, então o trabalho leva tempo real, a bateria de um notebook cai de forma perceptível numa gravação longa, e você não consegue deixar isso em segundo plano e esquecer como esquece um upload — feche a aba e o trabalho se perde.

Terceiro, memória, que é o teto real em vez de um limite declarado: a página mantém o clipe inteiro enquanto trabalha, então o tamanho da gravação que você pode tentar depende de quanta memória a aba consegue. Uma entrevista curta não é nada; duas horas de gravação num notebook barato é cara ou coroa.

O que o modelo faz com o seu áudio

O modelo por trás da transcrição grátis no navegador é o Whisper, e o modelo mental que presta não é “reconhecedor de fala”, é “tradutor entre duas representações”. Sua forma de onda vira um array parecido com uma imagem de características de áudio — quanta energia existe em cada frequência em cada fatia curta de tempo. Uma rede lê esse array como você lê uma página de texto, e uma segunda rede escreve as palavras uma a uma, condicionada a tudo o que já escreveu. É o formato de sequência para sequência que move a tradução automática.

Essa arquitetura explica comportamentos que um corretor fonético não previsse. Como o texto é gerado palavra a palavra contra um prior sobre como o idioma costuma andar, a saída tende a ser fluida e idiomática: uma fala clara que contém uma palavra desconhecida costuma sair como uma palavra conhecida de som parecido, porque essa é a frase mais provável. Também significa que pontuação e maiúsculas são escritas por esse mesmo gerador, e não por um manual de regras, então são hábitos, não garantias.

Os blocos de 30 segundos e as costuras entre eles

O outro fato estrutural é o fatiamento. O modelo foi treinado numa janela fixa de áudio, e uma gravação de qualquer comprimento precisa ser cortada em pedaços. Esta página processa seu áudio em janelas de 30 segundos e junta os resultados, com as janelas se sobrepondo 5 segundos entre si, e uma hora de fala vira uma longa sequência de chamadas ao modelo, uma por janela.

A consequência é a reclamação mais comum sobre transcrições longas, e é uma propriedade desta ferramenta, não um defeito que você causou. A sobreposição de 5 segundos existe justamente para levar contexto através da costura, então ela reduz, mas não elimina, o caso-limite: uma palavra que atravessa o corte pode não cair em nenhuma janela ou cair nas duas, e é por isso que um parágrafo excelente contém uma frase duplicada e uma sílaba faltando nos mesmos lugares toda vez que você roda o mesmo arquivo. Quando uma palavra carrega o sentido — uma dose, um nome, uma negação —, corte o arquivo primeiro numa pausa para que a costura caia num lugar inofensivo.

O áudio e o seletor de idioma, e por que isso é uma escolha

Esta página carrega o checkpoint multilíngue do whisper-tiny. O seletor de idioma traz a detecção automática mais quatro línguas concretas: inglês, espanhol, português e indonésio. Dizer ao modelo qual idioma vai entrar é o acerto confiável: a hipótese de idioma já está dada, e o modelo só precisa decidir o que foi dito.

Detecção automática quer dizer que o modelo decide primeiro que idioma ouviu para depois decidir o que foi dito, e esse é o único passo extra que pode errar num clipe curto ou com sotaque forte. Essa amplitude também é paga em capacidade: o Whisper vem em duas variações, uma treinada para transcrever um único idioma e outra treinada para muitas línguas, e o checkpoint multilíngue distribui parte da sua capacidade entre as línguas que cobre. Num clipe falado num só idioma, o modelo dedicado àquele idioma — o que a versão inglesa desta página carrega — é o instrumento mais afiado.

Um corolário para áudio com línguas misturadas: uma passagem num idioma que não bate com o que você escolheu no seletor sai mal, e é assim que a falha aparece aqui. Ajuste o seletor para o idioma que domina a gravação, processe essa parte, e refaça o restante numa execução separada; não espere que uma passada só com detecção automática resolva as trocas de língua.

O que esta ferramenta não faz

Não assuma nada aqui, porque as três coisas a seguir são justamente o que os leitores acreditam estar recebendo.

Sem rótulos de falante. O Whisper não faz diarização de falantes, e esta ferramenta não encaixa isso nele. Se três pessoas conversaram, você recebe um texto sem nenhuma indicação de quem disse o quê e sem marcadores de “Falante 2” para limpar. Para uma gravação com várias vozes o conserto é manual: deixe uma pausa clara entre falantes e rotule as seções enquanto edita, ou transcreva cada voz a partir de uma faixa separada, se a sua gravação tiver faixas.

Sem marcas de tempo. Você não vai receber linhas de timecode, tempos por palavra nem uma linha do tempo clicável que pule até o áudio. Então não dá para cortar um vídeo, citar um momento de um depoimento ou alinhar legendas a partir desta saída sem você mesmo encontrar cada posição. Se timecode faz parte da entrega, este caminho te dá as palavras e você fornece os tempos.

Sem promessa sobre pontuação ou maiúsculas. Pode até sair vírgula e início de frase, mas o que é garantido é texto plano em blocos separados por linhas em branco, o que deixa parágrafos, pontos de interrogação e nomes com maiúscula por sua conta. Para um parágrafo de monólogo isso é um conserto de cinco minutos; para oito mil palavras de diálogo é um trabalho editorial de verdade, e as quebras de parágrafo que faltam são o que ninguém coloca no orçamento.

Como conseguir uma transcrição que preste

Transcrição grátis é uma loteria cujo único bilhete premiado é áudio bom. Tudo abaixo é sobre a entrada, porque o modelo é o que é.

Antes de gravar

Chegue o microfone perto e deixe lá. Um celular a vinte centímetros da boca de quem fala ganha do mesmo celular na ponta de longe de uma mesa, porque é a proximidade que compra um sinal limpo na frente de todo o resto da sala.

Escolha a sala, não só o microfone. Uma sala vazia, de paredes duras e teto alto é o pior ambiente que existe: cada consoante chega ao microfone duas ou três vezes a mais, atrasada e borrada, e o modelo precisa se comprometer com uma interpretação de um som que é genuinamente ambíguo. Uma sala com carpete, cortinas e móveis grava melhor, e armários e carros são absurdamente bons.

Elimine o ruído de fundo antes de precisar dele: ventiladores, ar-condicionado, o compressor da geladeira, janela aberta para o trânsito, exaustor ligado. Você não vai ouvi-los enquanto estiver ocupado falando; o modelo vai.

Uma pessoa por vez, e diga isso em voz alta. Fala sobreposta não são duas correntes para o microfone, é uma única forma de onda, e um gerador de sequências só consegue escrever uma linha de texto, então ele favorece quem está mais alto e perde a outra pessoa por completo.

Arrumando áudio que você não gravou

Pegue a melhor cópia disponível. Um arquivo original do gravador, da câmera ou da plataforma ganha de uma gravação de tela, que ganha de uma recodificação: cada geração de compressão joga fora o detalhe fino de consoantes de que o modelo depende.

Tenha cuidado com áudio de qualidade telefônica. A largura de banda do telefone vai de uns 300 a 3400 hertz, o que mantém as vogais confortavelmente e descarta boa parte do que separa “f” de “s”, “p” de “b” e “k” de “t”. Transcrições de ligações saem fluidas e erradas, que é o pior modo de falha, porque elas se leem bem.

Vídeo com música ou ruído de ambiente por baixo do diálogo é mais difícil do que parece: o modelo foi treinado com fala, não com fala mixada sob uma trilha sonora, e uma cama de música alta costuma produzir absurdos com muita convicção.

Para jargão, mantenha um glossário curto ao lado. Nomes incomuns, codinomes de produto, nomes de remédios, topônimos e siglas são os tokens que o modelo viu menos vezes, então ele coloca a palavra frequente mais próxima em som. Espere uma passada de nomes e planeje-a.

Depois que a transcrição aparece

Trate como um primeiro rascunho digitado a uma velocidade absurda. Cole no seu editor e faça três passadas em vez de uma leitura: números e datas, nomes próprios, e tudo o que estiver perto de um corte de 30 segundos.

Confira dígitos e nomes primeiro, nessa ordem. Eles quebram antes de qualquer outra coisa e quebram em silêncio — um número errado num resumo que você publica é erro seu, não do modelo, e não existe pontuação de confiança presa à palavra para te avisar.

Conserte a estrutura por último: transforme os blocos separados por linhas em branco em parágrafos quando o assunto mudar de verdade, coloque ponto de interrogação onde alguém perguntou algo e remova a frase duplicada que você já sabe procurar.

Caminhos grátis no Mac, no PC e online

As respostas que as pessoas procuram aqui, mantidas separadas da ferramenta do navegador acima: nas duas plataformas de desktop você já tem reconhecimento de fala grátis instalado, e para alguns trabalhos ele é a melhor opção.

No Mac

O macOS traz o Ditado do sistema, ligado nos ajustes do Teclado e chamável em qualquer lugar onde se possa digitar texto — Notas, Mail, um campo do navegador, a maioria dos editores. Clique em algum lugar, pressione o atalho configurado, fale e pressione de novo. A mesma função existe no iPhone e no iPad dentro do teclado.

Esse caminho é para fala ao vivo entrando num campo de texto e não é uma ferramenta de transcrição: ele digita enquanto você fala, não lê um arquivo de áudio que já existe, e se você ficar em silêncio ele pode simplesmente parar de escutar. Para uma gravação que já existe, use a ferramenta do navegador ou o seu editor de texto.

No PC

O Windows tem a Digitação por voz em qualquer campo de texto em foco, aberta com a tecla Windows e a letra H. Ela dita suas palavras naquele campo e recebe a pontuação por comando de voz, em vez de deduzi-la da sua entonação.

Mesma ressalva do macOS, e pelo mesmo motivo: isso é ditado, não transcrição. O Windows não vem com nenhum utilitário grátis de “me devolva este arquivo de áudio como texto”, que é a lacuna que a ferramenta no navegador, rodando no seu próprio equipamento, preenche.

Online

O caminho do navegador roda em qualquer máquina com um navegador atual, inclusive Chromebooks e desktops Linux — a resposta prática quando o sistema operacional não tem um ditado que valha a pena ou quando a máquina é travada por política.

Deixe claras duas coisas sobre “online”. Significa numa aba do navegador, não num servidor — o áudio é decodificado e transcrito localmente. E a primeira execução precisa de conexão, porque é aí que o modelo chega; as execuções seguintes reutilizam o que o seu navegador guardou.

Numa máquina de trabalho, note que a página pede permissão de microfone e a política pode bloquear; o caminho do arquivo nunca encosta no microfone.

Ditado, editores de texto e serviços na nuvem

Três caminhos competem com a ferramenta local, e cada um tem uma troca honesta.

O ditado do sistema operacional

O mais rápido para rajadas curtas, grátis, já instalado, e coloca as palavras exatamente onde você está trabalhando. Inútil para qualquer coisa que você já gravou ou não pode reprisar — você não consegue ditar um podcast que capturou ontem.

Os modos de ditado dos editores de texto

Os editores de texto e os apps de anotação mais usados expõem a própria função de ditar, que é a mesma ideia de fala ao vivo com comandos de formatação grudados. Útil para rascunhar por voz, igualmente inútil num arquivo que já existe. Alguns deles passam pelos serviços online do fabricante em vez do seu dispositivo, então, se o conteúdo é sensível, descubra o que a função faz com o seu microfone antes de usar.

Enviar o arquivo a um serviço de transcrição de terceiros

Esta é a oferta clássica de “transcrição grátis online”: normalmente uma conta, normalmente uma cota de boas-vindas, e em troca da conveniência a sua gravação é copiada para a infraestrutura de outra pessoa, processada lá e lá retida pelo tempo que a política deles disser — uma janela que normalmente sobrevive a você apagar o arquivo local.

Para uma gravação pública de uma entrevista isso costuma ser aceitável. Para qualquer coisa com o nome de um paciente, observações confidenciais de um cliente ou uma pessoa que concordou em ser gravada e não republicada, é uma decisão real e não um detalhe. O caminho local existe justamente para que a pergunta não precise ser feita: o áudio não vai a lugar nenhum, então não há período de retenção para ler.

Serviços na nuvem compram coisas, sim — rótulos de falante, timecodes, arquivos muito longos e um processamento que não deixa o seu notebook ocupado. Só não os contrate para um arquivo que você não deveria estar enviando.

Passo a passo com a ferramenta do navegador

Como é o fluxo de ponta a ponta, com as regras de entrada ditas sem rodeio para que nada te pegue de surpresa.

1. Abra a página e deixe o modelo chegar

Abra a ferramenta e inicie um trabalho. No primeiro uso a página informa o download do modelo e você espera enquanto ele busca os pesos; nas visitas seguintes é reutilizado o que o seu navegador já tem. Nada mais se instala e não há cadastro a fazer.

2. Fazer o áudio entrar

Duas entradas. Grave com o microfone na própria página, que captura localmente e te devolve texto — o caminho para um ensaio, uma entrevista em que você está sentado ou uma anotação que você prefere falar a digitar. A captura pelo microfone produz WebM.

Ou escolha um arquivo que já existe. Não existe lista fixa de formatos suportados, porque a página não mantém nenhuma lista de formatos permitidos: o que o seu navegador conseguir decodificar como áudio ou vídeo pode ser entregue ao decodificador, e o que ele não conseguir decodificar simplesmente falha. Um arquivo que o seu navegador reproduz é uma aposta razoável de um arquivo que esta página consegue ler; teste um clipe curto antes de comprometer um longo.

Nos dois casos o áudio é reamostrado dentro da página para 16 kHz mono — um canal, 16,000 amostras por segundo, ou seja 960,000 amostras num minuto — antes de o modelo vê-lo. Essa é a resolução em que o Whisper trabalha, então um master estéreo de 48 kHz não acrescenta nada à transcrição.

3. Rodar e ler o resultado

Inicie a transcrição e a página percorre o áudio em janelas de 30 segundos. O resultado é texto plano editável distribuído em blocos separados por linhas em branco, um por janela, com uma linha embaixo contando as palavras e informando quanto duraram o clipe e o processamento. Duas saídas da página: um botão de copiar e um botão de download que salva a transcrição como arquivo .txt. Não existe exportação de legenda, com timecode ou com tempo por palavra.

Cole no seu editor assim que o texto aparecer, em vez de deixar na aba: a transcrição existe só naquela página, e aba fechada significa transcrição perdida.

4. Conheça o seu teto antes de se comprometer

A restrição que vale para o comprimento é a memória, e não um limite declarado, porque o clipe inteiro fica carregado enquanto é processado, então o que funciona depende da sua máquina. Se o arquivo importa, transcreva-o em seções e tire uma parte de cada vez em vez de apostar o trabalho inteiro.

Quando pagar para uma pessoa

Transcrição automática grátis é um instrumento de rascunho. Três categorias de resultado não deveriam ser rascunho.

Material jurídico e regulatório: depoimentos, audiências, contratos, qualquer coisa em que as palavras exatas podem ser relidas para você. Os motivos são estruturais, e não de qualidade — sem marcas de tempo para localizar um momento, sem atribuição para estabelecer quem falou e sem como mostrar o que a gravação dizia em vez do que o modelo deduziu.

Material médico e clínico: doses, históricos de pacientes, conversas de consentimento. Trocar uma palavra plausível por outra de som parecido é o modo de falha normal, e este é o domínio em que essa falha é medida em dano. Números e nomes de remédios são exatamente os tokens com que a transcrição automática lida pior.

Material publicado ou citado: jornalismo, um livro, qualquer coisa em que as palavras de uma pessoa identificada vão aparecer. Citar a aproximação de uma máquina para a frase de alguém em nome dela é um erro factual esperando para ser encontrado, e a correção vira a história. A própria página da ferramenta diz isso: se você precisa de precisão de nível de produção para transcrições jurídicas ou trabalho comparável, use um modelo maior ou um serviço profissional de transcrição.

Mais um caso: uma segunda passada humana costuma sair mais barata que o seu próprio tempo de edição. Se uma transcrição grátis te custa quarenta minutos cuidadosos por hora de áudio, e a sua hora vale mais que isso, você não economizou nada.

Problemas comuns e o que eles significam

Nada acontece e o modelo não chega: a busca do primeiro uso falhou, normalmente um problema de rede ou uma extensão bloqueando. Recarregue, desative a extensão agressiva e tente de novo.

A transcrição é um disparate fluido: o áudio é mais baixo, mais ruidoso ou mais reverberante do que o modelo consegue usar, e ele fez o que a arquitetura faz — escreveu texto plausível. Grave de novo ou busque outra fonte com mais proximidade; nada nesta página salva uma sala ruim.

Uma frase repetida duas vezes e uma palavra faltando em intervalos regulares: os cortes entre janelas de 30 segundos, exatamente como descrito acima. Corte o arquivo numa pausa e rode de novo aquele trecho.

Um arquivo longo falha no meio, ou a aba morre: memória. O clipe precisa caber na aba, então corte e rode as partes.

O arquivo é recusado: o seu navegador não consegue decodificá-lo. Reexporte pelo app de origem com um ajuste padrão.

Pontuação que você não disse: esperado, porque o gerador escreve os próprios hábitos. Corrija na passada de edição e não leia isso como evidência de onde as frases terminavam.

Texto sem sentido na parte em que o áudio não bate com o seletor: aqui a causa comum é a discordância entre a língua falada e o que você escolheu em Idioma. Ajuste o seletor para o idioma realmente falado, ou para a detecção automática, e rode o clipe de novo.

Silêncio vindo do microfone: permissão do navegador negada, ou o dispositivo de entrada errado foi escolhido nos ajustes do sistema. Confira os dois antes de achar que a página está quebrada.

Perguntas frequentes