Legendas automáticas

Q: Como corrigir palavras erradas ou tempos imprecisos?

Confira Idioma e revise trechos com música, vozes sobrepostas, sotaques ou nomes incomuns. Texto e tempos vêm de um modelo de fala. Para corrigir linhas, exporte SRT e abra em um editor de texto: cada bloco tem número, intervalo de tempo e palavras.

Criar e embutir legendas a partir da fala

Crie legendas com IA a partir do áudio do vídeo. Escolha entre texto embutido em um MP4 e arquivos SRT ou VTT separados, com controle de quantidade de palavras e apresentação.

Custo: Grátis dentro da cota disponível. Há limites de utilização; consulte o guia abaixo.

Como legendar um vídeo automaticamente

Escolha um vídeo com áudio
Clique em Envie um vídeo para adicionar legendas ou arraste o arquivo para a prévia. Use MP4, MOV, MKV, WebM, AVI, M4V, MPEG/MPG ou OGV de até 200 MB com fala compreensível. Em Uploads, você também pode selecionar um vídeo usado em outra ferramenta.
Indique o idioma falado
Em 1. Legendas, o campo Idioma começa em Auto para detectar o idioma. Você também pode escolher pt para português ou outro código disponível. A ferramenta transcreve a fala no idioma original, sem tradução.
Defina a saída
Em Saída, Embutir gera MP4 com o texto desenhado na imagem. SRT ou VTT gera um arquivo de legendas com tempos, mantendo o vídeo original sem alterações. Cada processamento entrega uma dessas saídas.
Ajuste palavras e aparência
Em 2. Estilo, Palavras/linha limita as palavras de cada trecho em todas as saídas. Para embutir, escolha também Tamanho da fonte, cor de Texto, Fundo, Opacidade do fundo e posição Topo, Centro ou Base. A linha de exemplo permite avaliar a apresentação.
Gere e confira
Clique em Generate captions. No MP4 pronto, confira texto e tempos, especialmente nomes e termos técnicos, antes de usar Baixar. O resultado entra em Uploads. Continue editing mantém os ajustes para outra tentativa; Redefinir restaura os padrões.

Embutir, SRT ou VTT?

As três saídas usam a mesma transcrição. A escolha define onde as palavras ficam e se você poderá editar o arquivo de texto depois.

Embutir: palavras na imagem

As legendas passam a fazer parte dos quadros do vídeo, inclusive para exibição sem som. Não há uma faixa que o espectador possa desativar. Para corrigir ou traduzir o texto depois, será necessário preparar outra versão a partir da origem; o vídeo inteiro é recodificado.

SRT: texto separado com tempos

Arquivo de texto com trechos numerados e intervalos, como 00:00:04,250 --> 00:00:06,900. Confira se o editor, reprodutor ou formulário de destino aceita SRT. Quando o reprodutor oferece faixas separadas, o espectador pode ativar ou desativar as legendas.

VTT: legendas para a web

WebVTT pode ser usado pelo elemento HTML5 <track>. Contém os mesmos trechos da versão SRT, com cabeçalho WEBVTT e pontos no lugar das vírgulas nos tempos. Verifique qual formato o seu reprodutor web espera.

O que cada configuração altera

Idioma e Palavras/linha afetam todas as saídas. Os demais controles de estilo são usados somente para Embutir.

Idioma: O padrão é Auto, para detectar o idioma. Também há en, de, es, fr, it, pt, ja e zh: inglês, alemão, espanhol, francês, italiano, português, japonês e chinês. O código indica o idioma esperado. Use Auto para outros idiomas ou quando não souber qual é falado.
Saída: Embutir, o padrão, ou SRT ou VTT. Um arquivo separado preserva a possibilidade de editar o texto; embutir fixa a legenda na imagem.
Tamanho da fonte: De 10 a 72, padrão 20. O número é relativo à altura do vídeo, não uma medida em pixels. O mesmo valor mantém a proporção em resoluções diferentes. Em vídeos verticais, confira a ocupação da imagem antes de processar.
Palavras/linha: De 2 a 16, padrão 8. Apesar do nome, limita palavras por trecho de legenda, que ainda pode quebrar em várias linhas. Trechos longos são divididos, com o tempo distribuído pela quantidade de palavras. Japonês e chinês não separam palavras com espaços; nesses casos, o modelo recebe esse valor como orientação e o comprimento pode variar mais.
Texto: Cor das palavras, inicialmente branca (#FFFFFF). O MP4 embutido usa a cor escolhida. Confira o contraste em partes claras e escuras da gravação.
Fundo e Opacidade do fundo: Definem a caixa atrás das palavras: cor preta (#000000) e opacidade de 70% inicialmente. A faixa vai de 0 a 100%; valores menores deixam aparecer mais da imagem. Esses valores são aplicados ao vídeo embutido, não aos arquivos SRT ou VTT.
Topo, Centro e Base: Posicionam o texto centralizado horizontalmente no alto, no meio ou embaixo. Base é o padrão. Escolha Topo se a parte inferior já mostrar nomes, preços ou informações que a legenda encobriria.

Dimensionar as palavras em vídeos verticais

O valor 20 corresponde a uma linha de texto com aproximadamente 7% da altura do quadro. As verificações anteriores registraram cerca de 50 px em 1280 × 720 px, 75 px em 1920 × 1080 px e 133 px em 1080 × 1920 px.

No exemplo vertical anterior, oito palavras com tamanho 20 quebraram em três linhas e ocuparam boa parte da região inferior. Para começar nesse tipo de vídeo, compare tamanho 12–14 com quatro ou cinco palavras por trecho. O comprimento das palavras e a gravação também influenciam as quebras.

A linha Prévia de legendas automáticas acompanha a proporção do vídeo para avaliar tamanho, cor, posição e quebras antes de Generate captions. Ela é uma amostra de estilo; a transcrição aparece no arquivo processado.

Transcrição e processamento do vídeo

FFmpeg extrai o áudio como WAV mono de 16 bits a 16 kHz. Somente esse áudio vai à API Gemini do Google, que devolve palavras com tempos de início e fim. A imagem não é enviada ao serviço de IA.

Os tempos são estimados pelo modelo, sem alinhamento exato por quadro. A ferramenta mantém os trechos dentro da duração, ajusta sobreposições e divide textos longos conforme Palavras/linha. Música alta, vozes simultâneas e nomes pouco comuns podem prejudicar a transcrição; revise o resultado.

Para Embutir, FFmpeg recodifica a imagem em MP4 com H.264, CRF 22, e áudio AAC a 192 kbps. Mantém resolução e taxa de quadros, mas pode alterar detalhes finos. A saída é H.264 de 8 bits, inclusive para origens HDR de 10 bits. Compare cor e brilho com a origem: o resultado depende das características HDR do material.

Formatos, limites e arquivos

Entrada: MP4, MOV, MKV, WebM, AVI, M4V, MPEG/MPG e OGV com áudio.
Saída: Um MP4 com H.264 e AAC em Embutir, ou um arquivo de texto SRT ou VTT.
Nomes: Para entrevista.mov: entrevista_captioned.mp4, entrevista.srt ou entrevista.vtt.
Limites: Um vídeo por processamento, até 200 MB. Até 15 minutos por trabalho, incluindo transcrição e codificação.
Processamento: Preparação e exportação nos servidores do site com FFmpeg. Áudio enviado diretamente à API Gemini do Google para reconhecimento de fala; imagem mantida no servidor.
Marca-d'água: Não adiciona marca-d'água.
Armazenamento: Uploads e resultados são excluídos após 48 horas para visitantes e 30 dias para contas gratuitas. Planos pagos podem mantê-los por mais tempo.

Perguntas sobre legendas automáticas

Posso gerar legendas gratuitamente?

Sim. A ferramenta funciona sem conta, não cobra créditos e não adiciona marca-d'água ao MP4. Há limites diários e por hora, que dependem da conta e do plano; não representam uma quantidade única para todos os usuários.

Posso traduzir as legendas?

Aqui, o texto acompanha o idioma falado. Vídeo para legendas permite traduzir, revisar palavras e tempos em um editor e exportar SRT ou VTT, ou embutir o texto depois.

Como corrigir palavras erradas ou tempos imprecisos?

Confira Idioma e revise trechos com música, vozes sobrepostas, sotaques ou nomes incomuns. Texto e tempos vêm de um modelo de fala. Para corrigir linhas, exporte SRT e abra em um editor de texto: cada bloco tem número, intervalo de tempo e palavras.

O vídeo inteiro vai para um serviço de IA?

Apenas o áudio extraído vai à API Gemini do Google. A imagem fica no servidor do site. Upload e resultado são excluídos automaticamente após 48 horas para visitantes ou 30 dias para contas gratuitas.

O que pode impedir a geração?

É necessário áudio com fala compreensível. Um vídeo sem som ou só com música pode não produzir trechos. O trabalho também tem limite de 15 minutos, incluindo a transcrição. Para uma gravação longa, prepare apenas a parte necessária em Cortar vídeo.

Por que o MP4 pronto tem outro tamanho?

Embutir recodifica todo o vídeo. O tamanho depende do conteúdo e dos novos ajustes; pode diminuir ou aumentar em relação à origem. Se precisar reduzir o resultado, compare opções de Comprimir vídeo e confira a legibilidade do texto após a compressão.