Transcrever áudio com IA
grátis e sem limites

É totalmente grátis. Não há limite de duração, número de execuções, quantidade de caracteres nem tamanho de arquivo, e não é preciso cartão de crédito. A única coisa que varia é a duração que pode ser processada de uma vez, que depende da memória do dispositivo e do modelo selecionado; se um arquivo não couber, a página avisa antes de o processamento começar.

Não. A IA (Whisper ou SenseVoice) faz a inferência dentro do seu navegador, então o áudio nunca sai do seu dispositivo. Nada fica armazenado em um servidor e nada é repassado a terceiros.

Não. Abra a página, escolha um arquivo de áudio e a transcrição começa. Nunca pedimos um endereço de e-mail.

Áudio: MP3, WAV, M4A, AAC, FLAC, OGG, Opus, AIFF, WMA e AMR. Vídeo: MP4, MOV, MKV, WebM, AVI, WMV, FLV, MPG, MPEG-TS e 3GP. Você pode arrastar e soltar um arquivo ou escolher um pelo seletor de arquivos.

Sim. Carregue um arquivo MP4, MOV, MKV, WebM ou AVI e o navegador extrai a faixa de áudio para transcrever. Não é preciso converter em arquivo de áudio antes. Depois de transcrever, você pode reproduzir o vídeo com o resultado sobreposto como legenda para conferir e corrigir, ou assistir com legendas traduzidas. Não há limite de tamanho de arquivo, então vídeos de vários gigabytes são carregados como estão. Vídeos salvos do X (Twitter) com o X Video Downloader podem ser carregados como estão; para extrair só o áudio antes, use o Media Tools.

Sim, há identificação de falantes. Em gravações com vários participantes, como reuniões ou entrevistas, cada falante aparece em uma cor diferente. O número de falantes é estimado automaticamente, então normalmente não é preciso definir. Os rótulos de falantes podem ser renomeados na tela, falantes separados por engano podem ser juntados, e qualquer linha pode ser atribuída a outro falante ou dividida. Quando o WebGPU está disponível em um navegador que não seja o Firefox em um PC e o número de falantes fica em Auto, a identificação usa o NVIDIA Nemotron 3 Diarization; caso contrário, usa o pyannote, e nos dois casos o WeSpeaker é usado para comparar as características da voz.

Sim. As transcrições podem ser exportadas como legendas SRT e VTT (WebVTT) com marcação de tempo, prontas para carregar em editores de vídeo ou plataformas de vídeo (a maioria dos editores de vídeo aceita SRT). Também estão disponíveis exportação em texto simples (TXT), Word (DOCX), PDF, CSV e JSON e cópia para a área de transferência. Para embutir o SRT exportado diretamente no vídeo, use o Media Tools (embutir legendas).

Sim. Abra “Traduzir” no cabeçalho do resultado, escolha os idiomas de origem e destino, e uma tradução aparece abaixo de cada linha. Todos os formatos de exportação podem levar o original, a tradução ou ambos. Se você carregou um vídeo, a tradução também pode aparecer como legenda sobre ele na reprodução. A tradução usa o tradutor integrado ao Chrome 138+ e ao Edge 148+ para computador e roda inteiramente no seu dispositivo, então a transcrição nunca é enviada a lugar nenhum. Não está disponível em celulares nem no Firefox e no Safari. O primeiro uso de um idioma baixa o modelo de tradução dele.

Sim. Depois que o modelo de IA é baixado uma vez, a transcrição funciona sem conexão com a internet. Os modelos têm de cerca de 40 MB a 5,2 GB, conforme o escolhido.

Escolher um modelo adequado ao idioma melhora a precisão. Para japonês, o Haas-ja v1.0 é o mais preciso dos modelos disponíveis, com cerca de 40% menos erros que o SenseVoice Small (nossa medição com fala lida em voz alta). Ele roda só em computadores com WebGPU, baixa cerca de 710 MB na primeira vez e leva cerca de 1/30 da duração do áudio para processar (medido em um PC com GPU integrada). É o padrão para japonês em computadores com WebGPU no Chrome ou Edge (exceto Macs com Apple Silicon). Para chinês e coreano, e para japonês nos demais casos, como em celulares ou no Safari e no Firefox, o padrão SenseVoice Small é leve e rápido, e em japonês e chinês tem precisão pelo menos igual à do Whisper Large v3 Turbo. Para outros idiomas, modelos maiores são mais precisos; em dispositivos compatíveis com WebGPU, o Whisper Large v3 Turbo oferece precisão próxima da melhor e continua rápido (é o padrão em computadores com GPU dedicada). Para inglês em dispositivos como PCs Windows com GPU integrada e celulares, o padrão é o SenseVoice Small; ele comete menos erros que o Whisper Base e é mais rápido. Em computadores com WebGPU, você também pode escolher o Qwen3-ASR 1.7B (cerca de 5,2 GB para baixar na primeira vez), que comete menos erros que o Whisper Large v3 Turbo em japonês, inglês e chinês. Definir o idioma em vez de deixar a detecção automática também reduz os erros. Para ver as taxas de erro e os tempos de processamento que medimos para cada modelo em cada idioma, consulte Comparação de modelos e como escolher.

Sim, mas ele roda em um modo de memória reduzida (WASM) para proteger o dispositivo, então a duração que consegue processar de uma vez é menor do que em um computador. Para gravações longas, recomendamos um computador.

Só as estatísticas necessárias para corrigir problemas e melhorar os recursos. Isso significa as especificações do seu dispositivo (modelo da GPU, memória, número de núcleos), navegador e sistema operacional, o modelo e o idioma escolhidos, sua configuração de identificação de falantes (ativada ou desativada e o número de falantes definido), o idioma de exibição da página, até onde a execução chegou (inclusive quando você a interrompeu ou fechou a página), o tipo e o texto do erro, o formato do arquivo com tamanho e duração aproximados e o tempo gasto. Um número temporário que vincula as execuções na mesma aba também é enviado (é excluído quando você fecha a aba). Os mesmos campos também são enviados em caso de sucesso, porque a taxa de falha precisa dos dois. Na tela de resultados, também são enviadas quantas vezes você usou a edição (como renomear falantes ou dividir linhas), a tradução, os resumos e a importação de legendas, quais formatos escolheu em “Baixar”, com que frequência usou “Copiar texto” e “Baixar tudo”, e o par de idiomas da tradução. Áudio, transcrições (incluindo nomes de falantes e traduções), nomes de arquivos e endereços IP nunca são enviados, e os dados vão só para o servidor deste site, nunca para um serviço de terceiros. Você pode desativar a qualquer momento com o botão na seção “Ajude a melhorar o serviço”, perto do fim da página.

Sim. Em “Baixar”, abaixo do resultado, escolha “Word (DOCX)” para salvar um documento que abre no Word. O PDF é salvo pela função de impressão do navegador: escolha “PDF” e salve como PDF na janela de impressão que se abrir (no iPhone e no iPad, use o botão de compartilhar na tela de impressão e salve em Arquivos). Também há CSV para planilhas e JSON para programas. Todos os formatos são criados dentro do navegador, então a transcrição nunca é enviada a lugar nenhum.

Sim. Clique em “Gravar com o microfone” para gravar com o microfone do computador ou do celular. Clique em “Parar gravação” e depois em “Iniciar transcrição”, e a gravação é transcrita. A gravação também não é enviada a lugar nenhum; ela fica salva no histórico deste dispositivo. Você pode gravar por até 3 horas, ou menos conforme a memória do dispositivo e o modelo selecionado; o limite aparece antes de você começar a gravar. No celular, bloquear a tela ou mudar para outro aplicativo durante a gravação pode interromper a gravação.

Sim. Escolha vários arquivos no seletor de arquivos ou solte-os juntos, e eles são transcritos um por vez com as mesmas configurações (modelo, idioma e identificação de falantes). Cada resultado é salvo na biblioteca deste dispositivo. Quando tudo terminar, escolha TXT, Word, SRT, VTT, CSV ou JSON em “Baixar tudo” para salvar os resultados em um único arquivo ZIP, com um arquivo por transcrição. Os arquivos que não puderem ser processados são pulados e o próximo começa. Todo o processamento roda no navegador, e os arquivos não são enviados a lugar nenhum.

Sim. No Chrome ou Edge (versão 138 ou posterior) em um computador, clique em “Resumir” na tela de resultados e a IA integrada ao navegador (Gemini Nano) transforma a transcrição em uma lista de pontos principais. O resumo também é feito no navegador, então a transcrição não é enviada a lugar nenhum. Ao salvar como Word, TXT ou PDF, o resumo vai no início, então você pode usá-lo como primeiro rascunho da ata de reunião. Os resumos estão disponíveis em japonês, inglês, espanhol, alemão e francês. Na primeira vez, o navegador baixa um modelo de IA, que precisa de 22 GB de espaço livre e de 16 GB de memória ou de uma GPU com mais de 4 GB de VRAM. Não funciona em celulares, no Firefox nem no Safari.

Sim. Escolha um arquivo de legenda SRT ou VTT no seletor de arquivos e ele abre na tela de resultados sem transcrever. Você pode corrigir o texto e os tempos das linhas, dividir ou excluir linhas, traduzir e resumir, e depois salvar como SRT, VTT, TXT, Word e outros em “Baixar” (o que também converte SRT em VTT). Escolha o arquivo de legenda junto com um arquivo de vídeo (ou áudio) para reproduzir o vídeo com as legendas sobrepostas. A leitura do arquivo também acontece no navegador, e os arquivos não são enviados a lugar nenhum.