Transcreva áudio sem enviar a lugar nenhum.

Uma ferramenta gratuita de conversão de fala em texto que transcreve áudio e vídeo localmente no seu navegador, usando um modelo Whisper executado no seu próprio dispositivo. Ela é indicada para reuniões, entrevistas, aulas, podcasts e lembretes de voz — incluindo gravações sensíveis que nunca deveriam ser enviadas a um serviço de transcrição na nuvem.

Não há conta, fila de tarefas nem cobrança por minuto. Você escolhe uma das três faixas do Whisper, arrasta um arquivo ou grava diretamente e recebe uma transcrição interativa com carimbos de tempo, rótulos de turno de fala e cinco formatos de exportação — tudo na aba que você abriu.

Como funciona

Os arquivos são decodificados no navegador com a Web Audio API e reamostrados para o áudio mono de 16 kHz que o Whisper espera. O modelo roda via Transformers.js em janelas sobrepostas de 30 segundos com sobreposição de 10 segundos, de modo que gravações de uma hora exibem o progresso em fluxo contínuo e os carimbos de tempo permanecem precisos nas fronteiras entre janelas. No Chrome ou Edge com WebGPU, o modelo é executado na GPU e um arquivo de uma hora pode terminar bem mais rápido que o tempo real; Safari, Firefox e máquinas mais antigas usam um caminho via WebAssembly com exatamente os mesmos recursos. Os pesos do modelo são baixados uma vez e ficam em cache no navegador; depois disso, a transcrição funciona offline.

Três modelos Whisper, 99 idiomas

Você mesmo escolhe o equilíbrio: o tiny é um modelo de 39 milhões de parâmetros com cerca de 150 MB e é rápido em qualquer dispositivo; o base (74 milhões, cerca de 220 MB) é o equilíbrio recomendado entre precisão e velocidade; o small (244 milhões, cerca de 600 MB) é a faixa mais precisa e compensa em sotaques e gravações com ruído, ao preço do tamanho do download e do tempo de inferência. As versões com carimbo de tempo dos três fornecem tempos palavra por palavra, que alimentam a reprodução com clique para buscar e as exportações em nível de palavra.

A detecção automática de idioma está a um clique, ou você pode fixar qualquer um dos cerca de 99 idiomas suportados — do inglês, mandarim e japonês a opções menos amparadas —, o que também ajuda a precisão em clipes curtos, onde a detecção tem poucos sinais.

Rótulos de turno de fala

Quando uma transcrição contém pausas entre pessoas, a ferramenta faz a rotação entre Locutor A, Locutor B (e assim por diante) ao longo dos turnos, usando a duração da pausa — por padrão, intervalos de cerca de 0,8 segundos —, e não características vocais. Os rótulos aparecem na transcrição e nos arquivos exportados, e você pode renomeá-los (para nomes reais, papéis, o que quiser) e mesclar turnos adjacentes que devam ser unidos.

Essa formulação é deliberadamente honesta: trata-se de uma rotação de rótulos por pausas, não de reconhecimento de voz nem de impressão vocal. O modelo nunca analisa quem é a pessoa; por isso, o mesmo locutor que retorna após uma pausa longa pode receber um rótulo novo, da mesma forma que um locutor genuinamente diferente.

Gravação, edição e exportações

Além de arrastar arquivos, você pode gravar do microfone diretamente: um medidor de nível ao vivo mostra a entrada, você pode pausar e retomar, e ao terminar a gravação ela entra automaticamente na fila de transcrição. A transcrição pronta combina um player de áudio personalizado — clique em qualquer linha para buscar e acompanhe o destaque da linha atual — com edição de texto embutida, busca em todo o texto e estatísticas de duração, contagem de palavras e tempo de processamento decorrido.

Exporte o resultado como SRT ou WebVTT com carimbos de tempo e rótulos de locutor, TXT simples, Markdown ou JSON estruturado, ou simplesmente copie para a área de transferência. Nada recebe marca d’água.

Limites do plano gratuito e do Pro

O plano gratuito transcreve arquivos de até 30 minutos cada e coloca até 5 arquivos por lote na fila, com download individual ou conjunto em ZIP. O Pro eleva o arquivo individual para 180 minutos e os lotes para 50 arquivos. Nenhum dos planos tem limite de execuções, cota mensal de minutos ou marca d’água, e ambos incluem uso comercial — as únicas diferenças são a duração por arquivo e o tamanho do lote. Arquivos acima do seu limite são rejeitados com uma mensagem clara e um caminho de upgrade; eles nunca têm o conteúdo cortado sem aviso.

Perguntas frequentes

A rotulagem de locutores substitui a diarização profissional? Não — ela faz a rotação de rótulos por pausas e é honesta quanto a isso; para uma atribuição de falas de nível profissional, você ainda precisa revisar e renomear os turnos.

Posso trabalhar offline? Sim, depois que a faixa do modelo que você escolheu for baixada uma vez; o navegador a mantém, e a reutilização dispensa conexão.

O que acontece com gravações muito longas em um dispositivo com pouca RAM? O processamento acompanha a memória do dispositivo, então dividir gravações de várias horas é a saída prática; o modo WASM mantém todos os recursos disponíveis quando não há WebGPU.

O uso comercial está realmente incluído no plano gratuito? Sim — os resultados são seus, sem marca d’água e sem taxa por uso.