BrowserTools
Início / IA / Áudio para texto

Áudio para texto

Transforma uma gravação ou um vídeo em texto e legendas, no teu navegador, sem enviar nada para lado nenhum.

Mantido por BrowserTools · Última atualização 2026-09-29

A carregar Áudio para texto… Se nada acontecer, ativa o JavaScript.

Esta ferramenta ouve um ficheiro de áudio ou vídeo e escreve o que é dito. Larga aqui uma nota de voz, uma entrevista, uma aula, um episódio de podcast, a gravação de uma reunião ou um vídeo do telemóvel e, pouco depois, tens as palavras em texto simples, numa lista com marcas de tempo e em ficheiros de legendas prontos a usar nos dois formatos que os leitores e editores de vídeo esperam: SRT e WebVTT. Funciona com os formatos habituais (MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM e MP4) e, com contentores menos comuns como MKV, AVI ou MOV, extrai primeiro a faixa de áudio. Podes pôr vários ficheiros em fila e são transcritos um a seguir ao outro, com um único .zip no fim que junta o texto e os dois ficheiros de legendas de cada um.

Perguntas frequentes

O meu áudio é enviado para algum servidor?
Não. O modelo de fala é descarregado para o teu navegador e corre lá, por isso o ficheiro é lido e transcrito no teu próprio dispositivo. Nada é enviado para este site nem para mais ninguém, nada fica guardado e podes até desligar a internet depois de o modelo carregar que continua a funcionar.
Porque é que a primeira utilização demora mais?
Da primeira vez, o navegador descarrega o modelo de fala, cerca de 77 MB, a partir deste site. Fica guardado na cache do navegador, por isso só acontece uma vez por navegador e as utilizações seguintes começam logo. Se limpares os dados de navegação, o modelo é apagado e volta simplesmente a ser descarregado na próxima vez.
Quanto tempo demora a transcrever um ficheiro?
Depende de o navegador conseguir usar a placa gráfica. Com GPU (Chrome ou Edge recentes na maioria dos computadores), uma hora de áudio pode ficar pronta em poucos minutos. Só com o processador, conta com mais ou menos o tempo real ou mais lento, por isso uma gravação de 30 minutos pode levar meia hora ou mais. A ferramenta mostra o que está a usar, em que parte vai e uma estimativa do tempo que falta, e podes cancelar a qualquer momento.
Que línguas entende?
O Whisper foi treinado em perto de cem línguas. A precisão é melhor nas línguas mais faladas e com mais dados de treino, como inglês, espanhol, português, francês, alemão, italiano e neerlandês, e mais baixa nas restantes. A deteção automática ouve o início do ficheiro e escolhe uma língua para a gravação inteira; se o ficheiro mistura línguas ou a escolha estiver errada, seleciona tu a língua.
O que faz a opção de traduzir para inglês?
Em vez de escrever as palavras na língua original, o modelo escreve uma tradução em inglês do que é dito, com marcas de tempo, para poderes criar legendas em inglês de um vídeo noutra língua num só passo. A tradução é feita pelo mesmo modelo pequeno, por isso transmite bem o sentido mas não fica tão polida como a de uma ferramenta de tradução dedicada.
Porque apareceram palavras que ninguém disse?
É uma particularidade conhecida dos modelos Whisper: durante silêncios longos, música de fundo, aplausos ou fala muito baixa, às vezes produzem frases plausíveis ou repetem a última frase, porque tentam sempre encontrar palavras. A ferramenta salta as partes completamente silenciosas, mas passagens com ruído ou quase silenciosas ainda podem provocar isto. Cortar primeiro as partes silenciosas ou com música, ou rever esses pontos no resultado, resolve a maioria dos casos.
Qual é a diferença entre SRT e VTT?
Ambos são ficheiros de legendas em texto simples com blocos numerados ou marcados no tempo. O SRT é o formato mais antigo e mais suportado e usa uma vírgula antes dos milissegundos (00:00:01,000). O WebVTT é o padrão da web usado pelo elemento de vídeo do HTML e pelos sites de streaming; começa com uma linha WEBVTT e usa um ponto (00:00:01.000). O YouTube, o VLC e a maioria dos editores de vídeo aceitam qualquer um, por isso escolhe o que o teu programa pedir.
Posso transcrever um ficheiro de vídeo?
Sim. Vídeos MP4 e WebM são lidos diretamente, e noutros contentores como MKV, AVI e MOV o áudio é primeiro extraído no navegador, o que acrescenta uma descarga única do conversor (cerca de 30 MB). Só o som é usado, por isso o tamanho da imagem do vídeo pouco importa, embora ficheiros muito grandes demorem mais a ser carregados para a memória.
Distingue os diferentes oradores?
Não. O Whisper escreve o que é dito mas não indica quem o disse, por isso uma entrevista sai como um texto contínuo. Pausas de dois segundos ou mais começam um novo parágrafo na vista de texto simples, o que muitas vezes coincide com uma mudança de orador e facilita acrescentar os nomes à mão.

Sobre Áudio para texto

A transcrição é feita pelo Whisper, o modelo aberto de reconhecimento de fala que a OpenAI lançou em 2022, na versão base multilingue. Entende perto de cem línguas, consegue perceber sozinho qual está a ser falada e também traduz diretamente para texto em inglês o que é dito noutra língua. O modelo corre dentro do teu navegador: da primeira vez que usas a ferramenta descarrega cerca de 77 MB deste site, que o navegador depois guarda, por isso as visitas seguintes arrancam quase de imediato. As tuas gravações nunca saem do teu dispositivo, o que faz diferença quando o ficheiro é uma consulta médica, uma entrevista de emprego, um vídeo de família ou uma reunião confidencial. Num computador com um Chrome ou Edge recente, o trabalho é feito pela placa gráfica e é rápido; caso contrário, é o processador que o faz, o que chega bem para clipes curtos mas pode demorar tanto como a própria gravação, ou mais, em ficheiros longos.

Perceber como o modelo se comporta ajuda a ter melhores resultados. Fala clara e perto do microfone é o ideal, enquanto música alta de fundo, várias pessoas a falar ao mesmo tempo, sotaques fortes e chamadas com má ligação baixam a precisão. Escolher tu a língua falada, em vez de a deixar em automático, evita o caso raro de um ficheiro curto ou com ruído ser mal identificado. O Whisper tem o hábito conhecido de inventar palavras plausíveis durante silêncios longos, música ou passagens muito baixas (uma frase como "Obrigado por verem" a surgir do nada é típica), por isso a ferramenta salta os trechos completamente silenciosos, e vale a pena ler o resultado antes de o publicares. As marcas de tempo têm uma precisão de cerca de um segundo, o que chega para legendas que podes afinar em qualquer editor de legendas.

O Whisper aprendeu com 680 000 horas da internet

Quando a OpenAI publicou o Whisper em setembro de 2022, o que surpreendeu não foi o desenho do modelo, um codificador e descodificador bastante clássico, mas os dados de treino. Em vez de gravações de estúdio transcritas com cuidado, foi treinado com cerca de 680 000 horas de áudio recolhido na web, juntamente com as transcrições que já existiam, e cerca de um terço disso em línguas que não o inglês.

Foi esse conjunto de dados enorme e desarrumado que o tornou tão bom a lidar com sotaques, ruído de fundo e vocabulário técnico sem ter sido afinado para nada disso. É também daí que vêm as suas famosas alucinações: muitos vídeos online terminam com uma frase como "Obrigado por verem, subscrevam o canal" nas legendas, mesmo quando ninguém a diz, e o modelo aprendeu que o silêncio no fim de um clipe costuma ser seguido por essas palavras.

O modelo ouve em janelas fixas de 30 segundos, transformando cada uma num mapa de frequências ao longo do tempo, parecido com uma imagem, antes de o descodificar em texto. As gravações longas são cortadas numa série destas janelas, e as marcas de tempo que ele prevê dentro de cada janela são depois deslocadas para o seu lugar no ficheiro completo, que é exatamente o que esta ferramenta faz no teu navegador.

Ferramentas relacionadas

Cortar áudio

Recorta a parte de um ficheiro de áudio que queres manter, de forma rápida e sem perder qualidade.

Extrair áudio de vídeo

Guarda o som de um vídeo como MP3 ou outro ficheiro de áudio.

Imagem para texto (OCR)

Copia o texto de capturas de ecrã, digitalizações e fotos, no teu navegador.

Remover fundo

Recorta o motivo de uma fotografia e obtém um PNG transparente, diretamente no teu navegador, sem enviar a imagem.
Apoiar