Áudio e vídeo para texto — transcrever e criar legendas (SRT)

Solte um arquivo MP3, WAV, M4A, MP4, MOV ou WebM e o Localvert escreve o que é falado, com a marcação de tempo de cada linha. Copie o texto ou baixe como legendas SRT ou VTT para YouTube, editores de vídeo e players, ou como texto simples para suas anotações.

O modelo de reconhecimento de voz é o Whisper, um modelo de código aberto treinado com centenas de milhares de horas de fala em muitos idiomas. Ele roda dentro do navegador com WebAssembly, então suas entrevistas, aulas, reuniões e áudios nunca saem do seu aparelho.

Há dois tamanhos de modelo. O Rápido baixa cerca de 40 MB e termina antes; serve para fala clara em inglês. O Preciso baixa cerca de 77 MB e erra bem menos, principalmente em outros idiomas, com sotaques ou com barulho de fundo. Qualquer um é baixado uma vez e fica guardado no navegador para a próxima vez.

Escolher o idioma falado em vez da detecção automática costuma melhorar o resultado, sobretudo em gravações curtas ou quando há idiomas misturados.

A transcrição roda no seu próprio processador. Num notebook recente, um minuto de áudio costuma levar de alguns segundos a menos de um minuto; celulares e computadores antigos são mais lentos. A barra de progresso avança em passos de 30 segundos. Deixe a aba aberta até terminar — fechá-la interrompe o trabalho, porque nada roda num servidor.

O que mais importa é um áudio limpo: uma pessoa falando perto do microfone é transcrita muito melhor que uma voz distante numa sala barulhenta. Música e falas sobrepostas reduzem a precisão. Sempre revise a transcrição antes de publicar — nomes, números e termos técnicos são os erros mais comuns.