Transcrever vídeo para texto

Para que serve uma transcrição

Transformar fala em texto compensa sempre que você precisa pesquisar, citar, passar os olhos ou reaproveitar o que foi dito, em vez de ouvir tudo de novo. Usos típicos:

• Entrevistas e conversas de pesquisa, quando você precisa de citações exatas e de uma ideia aproximada de onde elas foram ditas.
• Aulas e webinars, para buscar um termo no texto em vez de percorrer uma hora de vídeo.
• Legendas de vídeo para redes sociais, onde a maioria das pessoas assiste sem som.
• Gravações de reuniões e episódios de podcast que precisam de anotações ou de uma versão em texto acessível.

Uma transcrição simples é a melhor escolha quando você vai ler ou editar as palavras. SRT ou VTT é a escolha quando o texto precisa aparecer na tela sincronizado com o vídeo.

Como o reconhecimento funciona aqui

O reconhecimento de fala roda nos nossos servidores, não no seu navegador. O motor é o Whisper, um modelo de fala publicado pela OpenAI em 2022 e treinado com cerca de 680.000 horas de áudio multilíngue, executado pela implementação faster-whisper.

O que acontece com o seu arquivo:

1. O arquivo é enviado e a duração dele é verificada.
2. Um detector de atividade de voz pula trechos de silêncio e de puro ruído de fundo. Isso acelera o processo e impede que o modelo invente palavras em passagens silenciosas.
3. O modelo percorre o áudio em janelas curtas e produz segmentos de texto com horário de início e de fim. Ele adiciona pontuação e letras maiúsculas por conta própria.
4. Os segmentos são gravados no formato escolhido: um segmento por linha no TXT, marcações numeradas com tempos no estilo 00:01:02,500 no SRT, e o mesmo com tempos 00:01:02.500 sob um cabeçalho WEBVTT no VTT.
5. A mídia enviada é apagada assim que o resultado é gravado. A pasta da tarefa com o resultado é removida automaticamente em cerca de uma hora.

A velocidade de processamento fica perto do tempo real: uma gravação de 10 minutos leva aproximadamente 10 minutos.

Escolhendo idioma e formato

O menu Idioma falado oferece detecção automática, além de inglês, russo, ucraniano, polonês, alemão, francês, espanhol, português, italiano, turco, indonésio, vietnamita, japonês e chinês.

A detecção escuta a parte inicial da gravação e escolhe o idioma mais provável. Ela é confiável com uma única pessoa falando com clareza. Defina o idioma você mesmo quando:

• A gravação começa com música, uma vinheta ou silêncio.
• Quem fala tem sotaque forte; a detecção pode confundir um inglês com sotaque com a língua materna da pessoa e transcrever no idioma errado.
• Russo e ucraniano, ou espanhol e português, aparecem misturados ou são fáceis de confundir.

Quanto ao formato, o SRT é o padrão seguro para legendas: YouTube, editores de vídeo e players de desktop leem esse formato. Escolha VTT se as legendas forem para um elemento <track> do HTML5 em um site. TXT é a escolha certa para anotações, citações e artigos; o texto também aparece na página, pronto para copiar.

Se você precisa da fala em inglês, e não no idioma original, use traduzir vídeo, que roda o mesmo motor no modo de tradução.

Como conseguir uma transcrição mais limpa

A qualidade do áudio define a maior parte do resultado.

• Um microfone por pessoa é melhor que um microfone para a sala inteira. O microfone de um notebook a três metros de distância capta eco, e o eco é a causa mais comum de palavras perdidas ou emendadas.
• Música de fundo atrapalha. Fala sobre uma trilha musical é transcrita visivelmente pior do que a mesma fala sozinha. Use a gravação bruta quando tiver.
• Falas sobrepostas não são separadas. Quando duas pessoas falam ao mesmo tempo, uma voz geralmente prevalece e a outra se perde. O resultado também não indica quem está falando; acrescente os nomes durante a revisão.
• Confira nomes, números e jargões. Nomes próprios, nomes de produtos, siglas e números são onde os erros se concentram. Procure por eles na transcrição antes de publicar.
• Espere legendas longas quando a fala é rápida. O tamanho de cada marcação segue as frases naturais; um editor de legendas pode dividi-las.

Limites e como trabalhar dentro deles

O uso gratuito permite uma execução no servidor por dia, por dispositivo, sem conta, para gravações de até 10 minutos e arquivos de até 500 MB. O Premium remove o limite diário e aceita gravações de até 90 minutos por arquivo.

Formas de ficar dentro dos limites:

• Vídeo é, em sua maior parte, imagem. Uma gravação de tela de 10 minutos em 1080p pode pesar 300 MB ou mais, enquanto a trilha de áudio dela em MP3 fica entre 10 e 15 MB. Extraia o áudio primeiro e envie só ele: o upload termina mais rápido e a transcrição sai idêntica.
• Para gravações mais longas, corte-as em partes de 10 ou 90 minutos e processe cada uma. Divida em uma pausa, e não no meio de uma frase, para não perder palavras na emenda.
• As entradas aceitas são vídeos MP4, MOV, MKV e WebM, e áudios MP3, WAV, M4A, OGG e FLAC.