Vídeo em texto: envie o arquivo e receba a transcrição com marcações de tempo

O que a transcrição de vídeo lê: a faixa de áudio, não a imagem

A transcrição de vídeo é o reconhecimento de fala aplicado à faixa de áudio de um vídeo: o ffmpeg, ferramenta de mídia de código aberto, copia a primeira faixa de áudio do arquivo sem decodificar a imagem, converte essa faixa num MP3 mono de 16 kHz e a entrega ao modelo Whisper, da OpenAI; por isso o codec da imagem, H.264 ou HEVC, não faz diferença.

• A imagem é ignorada. Slides, legendas desenhadas no quadro e outros textos na tela não são lidos; na transcrição entra só o que é dito.
• Sem som, sem texto. Uma gravação de tela feita sem microfone e sem o áudio do sistema é recusada com a mensagem “Este arquivo não tem som.”
• Uma faixa só. Quando o arquivo tem várias faixas de áudio, como um filme com duas dublagens, a primeira é usada.
• Grande demais? Envie só o som: o QuickTime Player salva um clipe como somente áudio, e o arquivo exportado é transcrito como qualquer gravação em M4A. O texto sai o mesmo, e o arquivo encolhe para uma fração do tamanho.

Como o caminho é idêntico, um clipe e um arquivo de áudio custam o mesmo por minuto, e uma gravação sem imagem, como o MP3 de uma entrevista ou um áudio gravado no celular, segue exatamente esta rota: é a transcrição de um arquivo de áudio.

Como transformar vídeo em texto em quatro passos

Quatro passos levam uma gravação do computador ou do celular até uma transcrição pronta para baixar, e é só isso que transformar vídeo em texto exige aqui: nada para instalar, nada de voltar o vídeo para digitar o que foi dito.

1. Escolha o vídeo. Arraste um MP4, MOV, MKV, WEBM ou outro formato para a área de envio, ou clique nela para escolher. O navegador confere o tipo e o tamanho antes de enviar qualquer coisa.
2. Comece a transcrição. A primeira gravação de um visitante começa na hora e é grátis: inteira até 10 minutos, ou os primeiros 10 minutos de uma mais longa. Ao entrar, você vê quantos minutos o arquivo vai usar, e nada roda antes de você clicar em “Transcrever”.
3. Assista e leia lado a lado. O vídeo toca a partir do seu próprio aparelho ao lado da transcrição; um clique em qualquer marcação de tempo leva o player até aquele momento.
4. Baixe o texto ou a legenda. Salve TXT ou Markdown para ler e editar, SRT ou VTT para usar como legenda.

O reconhecimento de fala roda no nosso servidor, então transformar vídeo em texto online não pede plugin nem programa instalado. Uma gravação longa mostra o progresso em minutos concluídos do total: um webinar de 90 minutos diz em que ponto está, em vez de uma roda girando. Numa tela maior, dá para abrir a área de trabalho com o seu arquivo, onde o player, a transcrição e as ferramentas de IA ficam lado a lado.

Arquivos de vídeo aceitos e limites de tamanho

Para passar de vídeo para texto, a página aceita os contêineres que celulares, câmeras, aplicativos de reunião e gravadores de tela salvam, e os únicos limites rígidos são o tamanho e a duração do arquivo.

Tamanho e duração dependem de você ter entrado ou não:

• Sem conta: arquivos de até 100 MB; a primeira gravação é transcrita de graça, inteira até 10 minutos, e depois vêm trechos curtos grátis.
• Com conta: arquivos de até 500 MB e até 4 horas de duração.
• Um arquivo com mais de 4 horas precisa ser dividido antes.

Imagem pesa muito mais do que fala: uma hora de gravação de tela em 1080p pode passar dos 500 MB, enquanto a mesma hora só de som ocupa algumas dezenas de megabytes. A extensão do arquivo é só a primeira checagem; o servidor lê o contêiner real com o ffprobe e recusa o que não for mídia antes de mostrar qualquer preço.

Quais vídeos viram um bom texto

Vídeos de uma pessoa falando para a câmera, aulas, entrevistas, webinars e gravações de tela narradas viram texto com menos erros, porque uma voz clara fica perto do microfone.

• Funciona bem: microfone de lapela ou headset, sala silenciosa, uma pessoa falando por vez.
• Funciona pior: música de fundo por baixo da fala, barulho de plateia, gente falando ao mesmo tempo, vento num vídeo de celular gravado na rua.
• Clipes musicais: letra cantada sai menos precisa do que fala.

A OpenAI treinou o Whisper com 680 mil horas de áudio coletado da web, como descreve o artigo de 2022 “Robust Speech Recognition via Large-Scale Weak Supervision”; sotaques e fala informal estão dentro do que o modelo foi feito para entender, e vozes sobrepostas e música por baixo da fala continuam sendo as causas comuns de erro. Não publicamos porcentagem de precisão: ela depende muito mais da gravação do que do software. A primeira gravação grátis é o teste honesto de transformar vídeo em texto com o seu próprio material, e a marcação de tempo ao lado de uma linha truncada leva direto ao trecho para ouvir de novo.

Exemplo de transcrição de vídeo

Uma transcrição de vídeo volta com uma linha por frase falada, e cada linha abre com o minuto e o segundo em que aquela frase começa.

Texto ilustrativo no formato TXT exato, não é uma gravação real:

[0:00] Oi, pessoal, esta é a demonstração do novo painel de vendas.
[0:06] À esquerda ficam os filtros que a gente adicionou semana passada.
[0:13] Vou abrir o relatório de vendas, porque foi dele que veio a maioria das dúvidas.
[0:21] Reparem que os totais agora se atualizam sem recarregar a página.

A pontuação e as maiúsculas vêm do Whisper, e o idioma falado é detectado sozinho, não é preciso configurar nada. Passada a primeira hora, a marcação ganha o campo das horas, como em [1:04:10]. Cada marcação indica o início de uma frase, não de cada palavra.

Depois da transcrição: legendas, exportação, IA

Uma transcrição de vídeo pronta é baixada em quatro formatos já incluídos no preço, e dois deles são legendas.

• TXT e Markdown para ler, anotar e editar, com ou sem as marcações [m:ss].
• SRT para Premiere Pro, DaVinci Resolve, CapCut e YouTube Studio; VTT para players HTML5.

O mesmo envio já rende legendas SRT geradas a partir da fala do vídeo, com início e fim tirados do reconhecimento numa passada só. Para ajustar tempos, converter ou limpar o resultado, os conversores de legenda que rodam no seu navegador cuidam de SRT, VTT e texto puro.

As ações de IA trabalham sobre a transcrição pronta: resumo, anotações detalhadas, momentos-chave, capítulos com marcações de tempo, artigo, post para redes, um Pro Transcript revisado, chat sobre a gravação ou um prompt seu. Elas já estão incluídas na gravação transcrita: você paga pelos minutos de reconhecimento de fala, não por botão.

Transcrição grátis de vídeo e o que usa minutos

A transcrição grátis de vídeo aqui cobre a sua primeira gravação sem conta, inteira até 10 minutos e os primeiros 10 minutos de uma mais longa; dali em diante, transcrever um vídeo inteiro custa um minuto de saldo por minuto de gravação, a partir de $0.033 por minuto.

Na prática, o presente cobre uma gravação de tela de 10 minutos ou uma entrevista curta. Uma aula de 75 minutos precisa de um pacote além dele, e a página avisa antes de qualquer cobrança. A “primeira gravação” vale uma vez por visitante: um vídeo do YouTube sem legendas transcrito antes também conta como essa gravação.

O vídeo já está no YouTube: precisa enviar o arquivo?

Não: a maioria dos vídeos do YouTube tem legendas, e o texto delas é lido direto, dispensando o envio e o reconhecimento de fala.

O texto de um vídeo do YouTube com legendas sai da faixa de legendas, grátis, sem cadastro e sem limite, e as análises de IA sobre ele também são grátis. O reconhecimento de fala, e os minutos que ele usa, só entram quando não há texto de partida: um arquivo seu ou um vídeo do YouTube sem legendas.

Para onde vai o seu vídeo

Só o texto fica quando você transforma um vídeo em texto aqui: o arquivo de vídeo em si é apagado do nosso servidor assim que o som é extraído.

• O som extraído vai para o Whisper, da OpenAI, para o reconhecimento; os pedaços são apagados quando a transcrição fica pronta.
• Para quem não entrou, a transcrição não é salva no servidor: ela fica guardada por cerca de uma hora até a página buscá-la e depois vive só no seu navegador.
• Um envio que nunca começa, por exemplo enquanto você compra minutos, é apagado após cerca de uma hora.
• Depois de entrar, a transcrição é salva na sua conta.
• O player reproduz o arquivo a partir do seu aparelho. Ao recarregar a página, escolha o vídeo de novo para assistir; o texto já está salvo.
• Quando você escolhe um arquivo nesta página, o navegador guarda uma cópia temporária para passá-la à área de trabalho e a apaga assim que ela é recebida, ou em no máximo uma hora.

As regras completas estão na política de privacidade.

O que a transcrição de vídeo não faz

Texto na tela é o principal que esta transcrição de vídeo deixa de fora: ela transforma fala em texto e não lê a imagem.

• Não identifica falantes; o resultado é uma sequência única de linhas com marcação de tempo.
• Não grava legenda na imagem; você recebe SRT ou VTT para abrir num editor ou player.
• Não extrai faixas de legenda já guardadas dentro de um MKV ou MP4; o texto nasce da fala.
• Não aceita links do Google Drive, Dropbox, Vimeo ou TikTok; baixe o vídeo primeiro e só então envie aqui.
• Arquivos com mais de 500 MB ou mais de 4 horas são recusados; envie só o som ou divida a gravação.
• Só a primeira faixa de áudio é usada.

Com o que você pode contar ao transcrever vídeo em texto aqui: o preço aparece antes do início, os minutos só são cobrados depois de uma transcrição bem-sucedida, e a exportação da transcrição pronta está incluída.

Guias por formato e tarefa: MP4 to text · Gerador de legendas SRT

Perguntas frequentes

Dá para transformar vídeo em texto de graça?

Sim, a primeira gravação: sem conta, ela é transcrita de graça, inteira se tiver até 10 minutos e os primeiros 10 minutos se for mais longa. Dali em diante, um visitante recebe um trecho curto grátis; o arquivo inteiro usa minutos do seu saldo, e o cadastro dá 10 desses minutos de presente.

Preciso criar uma conta?

Não para a primeira gravação e para os trechos curtos grátis. Sim para arquivos inteiros depois disso: a entrada é por um link enviado ao seu e-mail, sem senha para criar.

Quais formatos e tamanhos de vídeo posso enviar?

MP4, MOV, MKV, WEBM, AVI, MPEG, TS e WMV, além de arquivos de áudio como MP3, M4A e WAV. Até 100 MB sem conta; com conta, até 500 MB e 4 horas.

Meu vídeo passa do limite. O que eu faço?

Envie só o som. Exporte a faixa de áudio, por exemplo como M4A pelo QuickTime Player, e mande esse arquivo: a transcrição sai igual, porque só o som é reconhecido, e o arquivo fica com uma fração do tamanho.

Meu vídeo fica guardado no servidor de vocês?

Não. O arquivo é apagado do servidor logo depois que o som é extraído, ou após cerca de uma hora se a transcrição nunca começar, e os pedaços de áudio somem assim que o reconhecimento termina. O texto fica no seu navegador ou, se você entrou, na sua conta.

Ele lê texto na tela ou legendas gravadas na imagem?

Não. Só a fala vira texto. Slides, legendas desenhadas no quadro e qualquer outro texto na tela não são lidos.

Ele distingue quem está falando?

Não. Não há identificação de falantes: a transcrição é uma sequência única de linhas com marcação de tempo, seja quem for que estiver falando.