Transcrição de Áudio
Preparar uma transcrição, escolher o idioma e revisar o texto
Para transformar áudio em texto, envie uma gravação ou um vídeo com fala. Escolha o modelo, peça marcações de tempo ou identificação de vozes e, se necessário, traduza o resultado. A transcrição aparece na página e pode ser copiada ou baixada como TXT e DOCX.
Custo: Grátis dentro da cota disponível. Há limites de utilização; consulte o guia abaixo.
Como transcrever uma gravação
Selecione um arquivo
Clique em Carregue um arquivo de áudio para transcrever ou arraste o áudio ou vídeo para a área de prévia. O limite é 200 MiB por arquivo. Em Arquivos, abra Uploads para selecionar uma gravação já enviada ou criada em outra ferramenta.
Escolha o modelo
Em Modelo de IA, a opção inicial é Gemini 3.5 Flash Lite · fast. Veja abaixo quando escolher o modelo avançado ou Experimental.
Defina o idioma
Mantenha Idioma de áudio em Detecção automática ou escolha o idioma falado. Use Traduzir para (opcional) somente se quiser receber o texto em outro idioma.
Decida quais detalhes incluir
No painel Transcript detail, ative Incluir carimbos de data/hora, Identifique diferentes alto-falantes ou ambas as opções. Elas ajudam a localizar trechos e distinguir as vozes de uma entrevista ou reunião.
Gere e salve o texto
Clique em Transcrever áudio e mantenha a aba aberta até aparecer Texto transcrito. Use Copiar para a área de transferência, Baixar como TXT ou o botão DOCX. O texto também fica no gerenciador de arquivos compartilhado.
Opções de idioma e detalhes da transcrição
- Modelo de IA
- O padrão é Gemini 3.5 Flash Lite · fast. Gemini 3.6 Flash · advanced é o modelo maior do Google. Ambos recebem instruções para tradução, marcações de tempo e identificação de vozes. Experimental usa o reconhecimento de fala GLM-ASR da Z.ai e aceita gravações de até 30 segundos.
- Idioma de áudio
- O padrão é Detecção automática. A lista permite escolher Inglês, Espanhol, Francês, Alemão, italiano, Português, russo, japonês, chinês e árabe. Informar o idioma pode ajudar em trechos curtos, sotaques fortes ou frases com nomes e palavras estrangeiras. Para um idioma ausente da lista, deixe a detecção automática.
- Traduzir para (opcional)
- O padrão é Sem tradução (idioma original). A lista de destinos inclui os dez idiomas acima e hindi, coreano, Holandês, polonês e turco. A solicitação de tradução devolve apenas o texto traduzido, mantendo os rótulos de vozes quando pedidos. Para guardar também a transcrição no idioma original, faça uma segunda execução sem tradução.
- Incluir carimbos de data/hora
- Começa desativada. Quando ativada, acrescenta marcações como [00:01:23], em horas:minutos:segundos, em linhas separadas. O modelo estima esses tempos; eles servem para encontrar passagens, sem garantir alinhamento exato. Para arquivos de legendas com tempos, use Vídeo para Legendas. Sem marcações, o resultado é texto organizado em parágrafos.
- Identifique diferentes alto-falantes
- Começa desativada. Esta opção identifica pessoas pela voz e acrescenta rótulos como Speaker 1: e Speaker 2:, com uma nova linha quando muda quem está falando. Com marcações de tempo, uma linha pode começar com [00:04:10] Speaker 2:. O áudio é convertido para mono antes do reconhecimento; canais estéreo separados não são mantidos como identificadores de pessoas. Depois, substitua os números pelos nomes no seu editor.
Qual modelo usar
A opção escolhida em Modelo de IA define o modelo solicitado para a gravação.
Gemini 3.5 Flash Lite · fast
É a opção inicial para gravações com fala clara, como notas de voz, aulas e apresentações de uma pessoa. Também pode ser usada em arquivos longos, respeitando os limites de processamento e de texto.
Gemini 3.6 Flash · advanced
Considere esta opção para conversas com vozes sobrepostas, sotaques difíceis ou vocabulário técnico. Revise nomes e termos específicos mesmo com o modelo avançado.
Experimental: até 30 segundos
Usa o GLM-ASR da Z.ai para trechos curtos. Uma gravação maior que 30 segundos é recusada ao iniciar Transcrever áudio. Escolha um modelo Gemini quando precisar de tradução, marcações de tempo ou rótulos de vozes.
Como o áudio é preparado e o que afeta o resultado
O FFmpeg, nos nossos servidores, seleciona a primeira faixa e prepara áudio mono a 16 kHz. Para os modelos Gemini, a cópia usa FLAC. Imagens do vídeo, capas e etiquetas de metadados são retiradas. Apenas o áudio preparado segue para o serviço de IA escolhido; a cópia temporária é apagada dos nossos servidores depois da solicitação.
Todos os arquivos passam por essa preparação. Um MP3 ou M4A pode ocupar menos espaço que um WAV estéreo, mas a compressão com perdas altera a gravação e pode afetar o reconhecimento. Antes de enviar uma versão menor, ouça um trecho e confira se a fala continua nítida.
O tamanho também depende da codificação: um WAV estéreo de 44,1 kHz e 16 bits ocupa cerca de 10,1 MiB por minuto, permitindo aproximadamente 20 minutos dentro de 200 MiB. Um MP3 a 128 kbps ocupa cerca de 0,92 MiB por minuto, permitindo aproximadamente 3 horas e 38 minutos. São exemplos de tamanho, não garantias de conclusão para gravações dessa duração.
Formatos, limites e armazenamento
- Formatos de entrada
- Áudio: MP3, WAV, FLAC, M4A, AAC, OGG/OGA, Opus e WebM. Vídeo: MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG e OGV. É necessária uma faixa de áudio.
- Formatos de saída
- Texto na página, TXT em UTF-8 e DOCX.
- Tamanho máximo
- 200 MiB por arquivo, equivalentes a 209.715.200 bytes.
- Duração da gravação
- Experimental: até 30 segundos. Os modelos Gemini não impõem uma duração fixa nesta ferramenta, mas a tarefa deve terminar em até 60 minutos. Transcrições extensas podem atingir o limite de texto do modelo.
- Arquivos por tarefa
- Um arquivo.
- Processamento
- Nos nossos servidores, com preparação pelo FFmpeg e reconhecimento por IA. O tempo máximo da tarefa é 60 minutos.
- Serviços externos
- Gemini: áudio preparado enviado aos modelos do Google pela API Gemini ou pelo OpenRouter. Experimental: áudio enviado à API GLM-ASR da Z.ai.
- Limites de uso
- Há limites diários de uso. A ferramenta informa quando um limite é atingido.
- Marca-d'água
- Nenhuma.
- Armazenamento
- Uploads e resultados armazenados nos servidores são apagados após 48 horas para visitantes e 30 dias para contas gratuitas. Planos pagos podem manter os arquivos por mais tempo. Baixe uma cópia para guardar.
Perguntas frequentes
Posso transcrever a fala de um vídeo?
Sim. Envie MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG ou OGV. A ferramenta usa a primeira faixa de áudio. Se o vídeo tiver várias faixas de idiomas e a desejada não for a primeira, extraia essa faixa antes do envio. Um vídeo sem faixa de áudio é recusado.
A gravação é enviada a um serviço de IA?
Sim. Os modelos Gemini recebem a cópia mono a 16 kHz pela API do Google ou pelo OpenRouter. Experimental envia essa cópia à Z.ai. As imagens e os metadados da gravação não seguem com ela. O upload e o DOCX armazenados nos nossos servidores são apagados após 48 horas para visitantes e 30 dias para contas gratuitas; planos pagos podem oferecer retenção maior.
Por que o texto termina antes da gravação?
Cada solicitação tem um limite de texto de saída do modelo. Se ele for atingido, aparece um aviso acima da transcrição. Use Dividir Áudio para separar a gravação em partes, baixe o ZIP com os trechos e transcreva cada um.
O que significa “Nenhum texto pôde ser transcrito deste áudio”?
O modelo não devolveu texto. Isso pode acontecer com silêncio, música ou ruído sem fala clara, ou com vozes muito baixas. Reproduza a gravação para conferir o conteúdo e tente novamente escolhendo o idioma falado em Idioma de áudio.
Como enviar um arquivo maior que 200 MiB?
Um MP3 ou M4A pode ficar menor que um WAV. A conversão prévia com perdas pode mudar o reconhecimento, então confira a clareza da fala. Para vídeos grandes, Comprimir Vídeo aceita arquivos maiores. Mantenha a faixa de áudio e selecione o resultado menor em Arquivos nesta página.
A transcrição precisa de revisão?
Sim. A qualidade depende da gravação: eco, música de fundo e pessoas falando ao mesmo tempo dificultam o reconhecimento. Confira nomes, números e termos técnicos ouvindo os trechos correspondentes. O modelo pode omitir hesitações ou palavras de apoio; o texto não é uma garantia de registro literal de cada palavra.