📝 Fala para Texto

Dois. O NVIDIA Parakeet TDT 0.6B v3 transcreve os 25 idiomas europeus que ele suporta, incluindo inglês, espanhol, francês, português, alemão e italiano. O OpenAI Whisper transcreve todos os outros idiomas, como japonês, chinês, coreano, árabe, hindi e turco. Na detecção automática, o Whisper identifica o idioma primeiro e o arquivo segue para o modelo que cuida dele. Em testes nossos com fala lida, o Parakeet cometeu cerca de 28% menos erros de palavras do que o modelo Whisper que usávamos antes em inglês, francês, espanhol e português, e rodou várias vezes mais rápido; o Whisper continua sendo o modelo mais abrangente, cobrindo mais de 90 idiomas.

Mais de 90 idiomas. Vinte e cinco idiomas europeus são transcritos pelo NVIDIA Parakeet: búlgaro, croata, tcheco, dinamarquês, holandês, inglês, estoniano, finlandês, francês, alemão, grego, húngaro, italiano, letão, lituano, maltês, polonês, português, romeno, russo, eslovaco, esloveno, espanhol, sueco e ucraniano. Todos os outros, incluindo chinês, japonês, coreano, árabe, hindi, turco, norueguês, tailandês, vietnamita, indonésio, malaio, filipino e hebraico, são transcritos pelo OpenAI Whisper.

A precisão depende da qualidade do áudio, do idioma e da clareza da fala. Em fala lida e nítida, medimos uma taxa média de erro de palavras de cerca de 5% com o Parakeet em inglês, francês, espanhol e português, e de 4,9% para o português brasileiro. Os outros idiomas europeus que o Parakeet cobre, e os principais idiomas que o Whisper cuida, também são bem transcritos. Os resultados pioram com muito ruído de fundo, pessoas falando ao mesmo tempo ou áudio muito baixo, como acontece com qualquer sistema de reconhecimento de fala.

A ferramenta aceita a maioria dos formatos de áudio comuns, incluindo MP3, WAV, M4A, OGG, FLAC e AAC. Para arquivos de vídeo, ela suporta MP4, WEBM, MKV, MOV e AVI -- a faixa de áudio é extraída automaticamente para a transcrição. Se o seu arquivo estiver em um formato não suportado, converta-o para MP3 antes usando qualquer conversor de áudio padrão.

Até 25 MB e até cinco minutos de áudio, o que você atingir primeiro. A duração é o limite que realmente pesa, e não tem a ver com armazenamento: esta ferramenta transcreve enquanto você espera, dentro de uma única requisição, e o proxy na frente dela desiste depois de uns cem segundos. Um upload de vinte minutos nunca terminaria, por menor que você deixasse o arquivo — então reduzir a taxa de bits para caber mais áudio não adianta, e não sugerimos mais isso. Para qualquer coisa mais longa, use o Gerador de Legendas: ele coloca o trabalho em fila, mostra o progresso real, aceita até uma hora e devolve SRT e VTT além de texto simples.

Os dois modelos aprenderam com grandes quantidades de gravações do mundo real, e o Whisper em particular foi treinado com áudio da internet cheio de ruído de fundo, música e outras interferências. Eles lidam bem com ruído de fundo moderado, muitas vezes transcrevendo a fala com precisão até em ambientes barulhentos, como cafés, carros ou espaços ao ar livre. No entanto, ruído muito alto ou constante que encobre a fala vai reduzir a precisão. Para melhores resultados, procure usar gravações em que a voz de quem fala se destaque claramente sobre o fundo.

A ferramenta transcreve toda a fala audível na gravação, mas nenhum dos modelos faz diarização de locutores, ou seja, não identifica nem separa as diferentes pessoas que falam. O resultado será uma transcrição contínua de tudo o que foi dito. Se você precisa identificar os locutores, terá que adicionar os rótulos manualmente depois da transcrição ou usar uma ferramenta de diarização dedicada junto com esta transcrição.

A transcrição mostrada na página é texto simples, então ela cola direitinho em documentos, e-mails ou anotações. A mesma transcrição também é oferecida como arquivos de legenda .srt e .vtt com tempo, com cada linha colocada no momento em que é falada, então você obtém as marcações de tempo sem um passo extra. Para vídeos com mais de cinco minutos, use o Gerador de Legendas, que faz o mesmo trabalho como uma tarefa em fila.

Sim. Seu arquivo de áudio é enviado ao nosso servidor apenas para processamento e é apagado imediatamente depois que a transcrição termina. Os arquivos nunca são armazenados permanentemente, registrados em log nem compartilhados com terceiros. A transcrição acontece na memória e os dados de áudio são descartados assim que o resultado em texto volta para o seu navegador. Não mantemos nenhuma cópia das suas gravações.

Esta é uma ferramenta de transcrição baseada em upload. Você envia um arquivo de áudio ou vídeo já gravado e recebe a transcrição depois do processamento. Ela não suporta transmissão ao vivo pelo microfone nem transcrição em tempo real. Para a maioria dos usos -- anotações de reuniões, transcrições de aulas, episódios de podcast, gravações de entrevistas -- a transcrição por upload é a escolha prática, porque permite que a IA analise todo o contexto do áudio para obter mais precisão.

Os dois modelos foram treinados com coleções grandes e variadas de fala gravada, então já encontraram uma enorme variedade de sotaques regionais, padrões de fala e dialetos. Os sotaques britânico, australiano, indiano e sul-africano do inglês costumam ser bem tratados, assim como as variações regionais do espanhol, francês, português e outros idiomas. Sotaques muito fortes ou dialetos carregados ainda vão gerar mais erros do que a fala padrão, então revise a transcrição antes de confiar nela.

Embora os dois modelos produzam transcrições impressionantemente precisas, esta ferramenta não deve ser usada como único método de transcrição para documentos médicos ou jurídicos em que a precisão absoluta é exigida. Essas áreas usam terminologia altamente especializada e qualquer erro de transcrição pode ter consequências graves. Use a ferramenta para criar um primeiro rascunho e peça a um profissional qualificado que revise e corrija o resultado antes de usá-lo para fins clínicos, jurídicos ou regulatórios.

Sim. Os dois modelos adicionam pontuação automaticamente, incluindo pontos, vírgulas, pontos de interrogação e pontos de exclamação. Também cuidam das letras maiúsculas no início das frases e em nomes próprios. Essa é uma grande vantagem sobre os sistemas antigos de reconhecimento de fala, que entregavam texto sem pontuação, pois significa que a transcrição já sai legível, sem muita edição manual.

A transcrição é exibida em uma área de texto na página. Você pode copiar o texto inteiro para a área de transferência com o botão "Copiar texto" e depois colá-lo em qualquer editor de texto, processador de texto ou app de anotações, onde pode fazer correções, adicionar formatação, inserir rótulos de locutores ou reorganizar o conteúdo como precisar.

Sim. A ferramenta é totalmente responsiva e funciona em smartphones e tablets com navegadores modernos. Você pode enviar arquivos de áudio do armazenamento do seu celular, gravar um memorando de voz e enviá-lo direto, ou selecionar arquivos de apps de armazenamento em nuvem. A interface se adapta a telas menores sem perder nenhuma funcionalidade.

Sim. Quando a transcrição terminar, você pode baixá-la como um arquivo de legenda .srt ou .vtt, além de copiar o texto simples. As linhas ficam limitadas a duas linhas de no máximo 42 caracteres, o formato que a maioria dos players e plataformas espera. Para vídeos com mais de cinco minutos, o Gerador de Legendas aceita arquivos de até uma hora.

Com certeza. Não há restrições sobre como você usa o texto transcrito. Você pode usá-lo em documentos de negócios, conteúdo comercial, entregas para clientes, artigos publicados, legendas do YouTube, notas de episódios de podcast ou qualquer outra finalidade. O texto gerado pertence a você e pode ser usado, modificado e distribuído sem limitações.

Depende da duração da gravação e de quão ocupado está o servidor. Nos 25 idiomas europeus que o Parakeet cobre, o modelo roda várias vezes mais rápido do que o tempo real, então uma gravação de cinco minutos (a mais longa que esta ferramenta aceita) normalmente leva cerca de um minuto ou menos, além do upload. Os outros idiomas usam o Whisper e levam um pouco mais. Para gravações mais longas, use o Gerador de Legendas, que coloca o trabalho em fila e mostra o progresso.

A ferramenta funciona em todos os navegadores modernos, incluindo Google Chrome, Mozilla Firefox, Microsoft Edge, Safari, Opera e Brave. As versões para computador e para celular desses navegadores são suportadas. Recomendamos usar a versão mais recente do seu navegador preferido para a melhor experiência. O Internet Explorer não é suportado.

Não. A transcrição exige processamento no servidor com os modelos Parakeet e Whisper, então é necessária uma conexão com a internet. Seu arquivo de áudio é enviado ao servidor, processado pela IA, e o resultado em texto é devolvido ao seu navegador. Se você precisa de reconhecimento de fala offline, os dois modelos estão abertamente disponíveis e podem ser instalados no seu próprio computador, o que exige Python e recursos de hardware suficientes.