Canbari
← Ferramentas de Vídeo

Vídeo para Legendas

Da fala do vídeo a legendas revisadas e prontas para exportar

Gere legendas a partir da fala de um vídeo e revise texto e tempos antes de baixar SRT ou VTT. Também é possível traduzir as legendas ou embuti-las permanentemente em um novo MP4.

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

Como usar o gerador de legendas para vídeo

  1. Envie um vídeo com fala

    Use Envie um vídeo para gerar legendas ou selecione um arquivo em Uploads. São aceitos MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG e OGV de até 200 MB, com faixa de áudio. Para trabalhar apenas uma parte de uma gravação longa, prepare o trecho em Cortar vídeo.

  2. Escolha modelo e idioma

    Whisper 1 · word timing é o modelo inicial. Em Idioma do vídeo, Auto-detect identifica o idioma falado. Indicar o idioma pode ajudar em trechos curtos ou com sotaque; esse campo não faz tradução.

  3. Defina tradução e arquivos

    Em Traduzir legendas para, escolha um destino se quiser outro idioma. Arquivos de legenda oferece SRT + VTT, SRT ou VTT. A opção inicial salva ambos.

  4. Gere as legendas

    Clique em Gerar legendas. O modelo transcreve o áudio, e Legendas geradas mostra os trechos com seus tempos quando o processamento termina.

  5. Revise com o vídeo

    Clique no número de um trecho para ir ao seu início. Use Reproduzir e Pausar para comparar a fala com o texto sobre a imagem. Corrija nomes, pontuação e tempos no Timeline editor, o editor da linha do tempo.

  6. Exporte a versão revisada

    Baixar SRT e Baixar VTT salvam suas edições em subtitles.srt e subtitles.vtt. Copiar texto copia a transcrição sem tempos. Embutir no vídeo cria um MP4 com o texto desenhado na imagem, usando Estilo embutido e Tamanho da fonte.

Modelo, idiomas e apresentação

Modelo de IA
Whisper 1 · word timing, o padrão, fornece tempos por palavra. Gemini 3.5 Flash Lite · cue timing e Gemini 3.6 Flash · cue timing fornecem início e fim por frase. Ao dividir frases, os tempos das partes são estimados pela quantidade de palavras. Revise o alinhamento em ambos os casos.
Idioma do vídeo
O padrão é Auto-detect. O menu mostra English, Spanish, French, German, Italian, Portuguese, Russian, Japanese, Chinese e Arabic, correspondendo a inglês, espanhol, francês, alemão, italiano, português, russo, japonês, chinês e árabe. Para outros idiomas falados, mantenha a detecção automática.
Traduzir legendas para
No translation, o padrão, mantém o idioma original. Há 15 destinos: os dez anteriores mais Hindi, Korean, Dutch, Polish e Turkish — hindi, coreano, neerlandês, polonês e turco. A tradução mantém os tempos de cada trecho; textos com mais de 10 palavras ou 84 caracteres são divididos proporcionalmente. Se o destino for o idioma detectado, não há tradução. Confira a velocidade de leitura, pois o texto pode ficar mais longo.
Arquivos de legenda
SRT + VTT, SRT ou VTT determina os arquivos originais salvos no gerenciador de arquivos compartilhado e os botões de download disponíveis. Esse ajuste não embute texto na imagem.
Estilo embutido
Usado somente por Embutir no vídeo. Padrão usa branco; Texto em negrito, branco em negrito; Texto grande, tamanho 10% maior; Texto amarelo, amarelo em negrito.
Tamanho da fonte
Pequeno, Padrão, Grande ou XL, começando em Padrão. São tamanhos relativos à resolução, não valores fixos em pixels. Os exemplos de dimensões estão abaixo.

Revisar texto e tempos antes de exportar

O indicador mostra Timing QA passed quando as verificações passam, Timing valid com avisos ou Timing needs attention quando algo impede a exportação. Também aparecem quantidade de trechos, sobreposições, maior duração, velocidade de leitura e taxa de quadros.

Start e End
Início e fim em segundos, com três casas decimais, como 12.500. Enter ou sair do campo confirma; Escape desfaz. Os tempos são ajustados aos quadros e ficam dentro da duração do vídeo. A 30 fps, um quadro corresponde a aproximadamente 0,033 s.
Subtitle text
Edite o texto; Enter cria outra linha. A indicação chars/s mede caracteres por segundo. Acima de 25, aparece um aviso de leitura rápida, que por si só não bloqueia a exportação.
Add cue e excluir
Add cue insere um trecho vazio de até 2 segundos na posição atual da prévia. Ajuste a posição com reprodução, pausa ou o número de um trecho. Preencha o texto e confira os vizinhos; o ícone de lixeira remove o trecho.
O que impede a exportação
Downloads e Embutir no vídeo ficam desativados se houver sobreposição, texto vazio, fim anterior ou igual ao início, ou duração superior a 7 segundos. A lista de avisos identifica o problema. Corrija-o e confira novamente os tempos.
Salvar suas alterações
As edições ficam apenas nesta aba. SRT e VTT no gerenciador de arquivos compartilhado são a exportação original, sem suas alterações. Baixe a versão revisada antes de sair da página, trocar de vídeo, usar Redefinir ou gerar outra vez; essas ações substituem a lista.

Como a fala é organizada em trechos

A primeira faixa de áudio é extraída e convertida para FLAC mono a 16 kHz, sem metadados. É necessário um vídeo real com áudio; arquivos só de áudio ou sem faixa de som não atendem a essa ferramenta.

O texto é organizado em trechos de até 10 palavras, 84 caracteres e 7 segundos. No Whisper, pausas acima de 0,65 s iniciam outro trecho; fim de frase encerra o atual quando já tem pelo menos 3 palavras. Havendo espaço antes do próximo trecho, o tempo de exibição é ampliado para ao menos 0,7 s e para leitura de até 25 caracteres por segundo.

Início e fim são ajustados aos quadros do vídeo. Se a taxa não puder ser lida, a referência é 30 fps. Esses ajustes ajudam a revisar os tempos; ainda é necessário conferir a transcrição e a leitura.

O resultado de Embutir no vídeo

O texto revisado passa a fazer parte da imagem. Usa fonte sem serifa, contorno fino e caixa preta com 65% de opacidade, centralizada embaixo com margem de 8% da altura. Textos longos se distribuem nos 84% centrais da largura.

Em 1920 × 1080 px ou 1080 × 1920 px, Pequeno/Padrão/Grande/XL correspondem aproximadamente a 34/43/54/64 px; em 1280 × 720 px, a 23/29/36/43 px. A prévia apresenta o estilo e o tamanho proporcionalmente ao vídeo.

A saída é MP4 com H.264 em CRF 20 e AAC a 192 kbps, independentemente do formato de origem. Mantém a primeira faixa de vídeo e todas as de áudio; descarta legendas já existentes. A recodificação pode aumentar o tamanho. O texto editado enviado para embutir tem limite de 1 MB.

Formatos, serviços externos e limites

Entrada
MP4, M4V, MOV, MKV, WebM, AVI, MPEG/MPG ou OGV com áudio. Um vídeo de até 200 MB por processamento.
Saída
SRT e/ou VTT em UTF-8; opcionalmente MP4 com H.264 e AAC e legendas embutidas.
Processamento
Preparação e exportação nos servidores do site. Até 60 minutos por trabalho de transcrição; até 15 minutos para embutir.
IA externa
Whisper 1: áudio enviado ao modelo da OpenAI via OpenRouter. Modelos Gemini: áudio enviado diretamente à API Gemini do Google. Tradução: texto dos trechos enviado à API Gemini do Google.
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. O FLAC temporário é apagado após a requisição ao fornecedor.

Perguntas frequentes

A ferramenta extrai legendas já existentes no vídeo?

Ela transcreve o áudio falado. Não lê faixas de legendas dentro de MKV ou MP4 nem reconhece texto desenhado na imagem. Ao embutir as novas legendas, também descarta as faixas de legendas anteriores.

Meu vídeo é enviado a um serviço de IA?

A imagem não é enviada. A primeira faixa de áudio vai como FLAC mono a 16 kHz para Whisper via OpenRouter ou para a API Gemini do Google, conforme o modelo escolhido. Ao traduzir, o texto também vai ao Google. O áudio temporário é apagado após a requisição.

O que conferir se não forem geradas legendas?

Verifique se há vídeo com faixa de áudio e fala compreensível, em vez de apenas música ou ruído. Um limite de uso atingido também pode impedir o processamento; os limites dependem da conta. Se a transcrição estiver ruim, indique Idioma do vídeo ou compare outro modelo e revise os trechos.

Devo baixar SRT ou VTT?

Confira o formato aceito pelo programa de destino. SRT é texto com tempos usado por vários reprodutores e editores; VTT serve, por exemplo, ao elemento HTML5 <track>. Para um programa que carrega legendas pelo nome, deixe os arquivos juntos com a mesma base, como ferias.mp4 e ferias.srt.

É melhor embutir ou manter um arquivo separado?

O arquivo separado permite desativar legendas e corrigir texto depois. Embutir mantém as palavras na imagem mesmo quando o destino não carrega SRT ou VTT. Para personalizar cores, posição e palavras por linha, use Legendas automáticas.