Uma gravação é ilegível até virar transcrição, e quase todos os serviços de transcrição querem que você envie o áudio para chegar lá. Isto faz o reconhecimento no seu dispositivo. O áudio é decodificado e reamostrado, um modelo de fala roda num worker em segundo plano, e os fragmentos que ele produz — um a cada poucos segundos — são unidos em parágrafos nos fins de frase, em vez de ficarem como um muro de linhas soltas. As marcações de tempo podem encabeçar cada parágrafo, e o resultado é exportado em PDF, texto puro ou legendas SRT e VTT.
Recursos
O reconhecimento roda no seu dispositivo: a gravação nunca é enviada
Três tamanhos de modelo, de um rápido só em inglês a um multilíngue mais lento
Fragmentos unidos em parágrafos no fim da frase, não um por linha
Marcações de tempo no início de cada parágrafo, passando a horas quando preciso
Exporte em PDF, texto puro, SRT ou VTT
Tamanho de página, margens e fonte sob seu controle
Também funciona com a trilha de áudio de um vídeo
Como usar Áudio para PDF
Solte um arquivo de áudio ou de vídeo
Escolha um modelo e, se for multilíngue, o idioma falado
Aguarde a transcrição: aproximadamente em tempo real na maioria dos equipamentos
Acrescente um título e exporte o PDF ou as legendas
Exemplo
Entrada
board-call.m4a — 34 minutes, base multilingual model
Saída
412 paragraphs, 6,140 words, exported as board-call.pdf and board-call.srt
As marcações passam a horas automaticamente quando a gravação ultrapassa sessenta minutos.
Erros comuns e solução de problemas
O navegador não conseguiu decodificar o áudio. — Tente MP3, WAV, M4A ou OGG. Alguns contêineres e codecs não são decodificáveis num navegador; converta o arquivo antes.
Nomes e termos técnicos saem errados. — É aí que o reconhecimento é mais fraco, e nenhum modelo resolve por completo. Um modelo maior ajuda; ler a transcrição contra a gravação continua necessário.
Ficou sem memória numa gravação longa. — Divida o arquivo em partes menores, ou escolha um modelo menor. Duas horas com o modelo pequeno está além do alcance da maioria dos navegadores.
O idioma saiu errado. — Defina-o explicitamente em vez de deixar a detecção automática. O modelo só em inglês sempre assume inglês, ouça o que ouvir.
Perguntas frequentes
Quão precisa é a transcrição?
Boa com áudio claro de um único falante, bem pior com vozes sobrepostas, sotaques fortes, ruído de fundo e nomes incomuns. Trate como um rascunho a corrigir.
A gravação é enviada?
Não. Ela é decodificada e reconhecida num worker dentro do seu dispositivo. Os pesos do modelo são baixados uma vez de um repositório público e ficam em cache no navegador.
Quanto tempo leva para transcrever?
Aproximadamente em tempo real num notebook comum com o modelo pequeno: meia hora de gravação leva cerca de meia hora. Modelos maiores são mais lentos e mais precisos.
Que modelo devo escolher?
O só em inglês para inglês claro, porque é o menor e o mais preciso nisso. O multilíngue base para outros idiomas ou sotaques fortes, e o pequeno quando a precisão importa mais que o tempo.
Posso obter legendas em vez de um documento?
Sim: SRT e VTT são exportados com os tempos do reconhecimento, então podem ir direto para um vídeo.