Legendas para vídeo e transcrição de vídeo em texto

Envie o arquivo e aperte «Gerar legendas». Terminado o reconhecimento, aparecem acima da transcrição os botões «Copiar» e «TXT»: o texto pode sair corrido ou com marcações de tempo. O seletor «Texto corrido» mostra o resultado como um documento comum, pronto para anotações ou para um artigo.

SRT para quase tudo: YouTube, players e suítes de edição leem esse, e ele carrega linhas cronometradas simples. VTT é o formato da web — é o que um navegador espera num elemento de faixa de vídeo. ASS é o que se escolhe quando o estilo precisa sobreviver à viagem: fontes, posições e cores ficam dentro do arquivo, então uma legenda desenhada aqui continua desenhada quando outra pessoa a abre.

Ele escuta primeiro e decide sozinho: o Whisper detecta o idioma pelo próprio áudio entre mais de noventa, então um clipe que você não gravou sai no idioma certo mesmo assim. O russo passa por um modelo treinado para ele, e não pelo geral. Se o idioma muda no meio da gravação, ou um sotaque forte atrapalha a detecção, defina o idioma à mão antes de rodar e o palpite some.

Sim. Antes do reconhecimento, o Silero VAD marca os trechos de fala real, então o silêncio das aberturas, pausas e encerramentos é pulado e a precisão se mantém em arquivos longos. O texto aparece no editor conforme o processamento avança — não é preciso esperar o fim para começar a ler e corrigir. Vídeos acima de 30 minutos ficam melhores num computador com 8 GB de RAM.

Sim, «Baixar MP4 com legendas» monta um arquivo com as legendas desenhadas sobre a imagem: elas aparecem em qualquer rede social e em players que não leem SRT. A montagem roda no navegador via FFmpeg WASM: o vídeo é codificado em H.264 e a trilha de áudio é copiada sem recodificar.

Clique no código de tempo à esquerda da linha na transcrição e digite o novo horário, ou mova com as setas (Shift = passos de um segundo). O vídeo acompanha enquanto você edita, então o resultado se ouve na hora. Os tempos das palavras são recalculados a partir da linha, e o destaque de karaokê continua no compasso.

O Whisper deduz as fronteiras de palavra por decodificação cross-attention, com precisão de cerca de ±200 ms — o bastante para o destaque tipo karaokê e para legendas comuns. Se a decodificação estiver lenta, o modo rápido distribui as palavras de forma uniforme dentro do segmento. O início de uma linha também se ajusta à mão na transcrição.

A exportação em VTT é o formato padrão de closed captions para players web (HTML5 track, YouTube, Vimeo) e é aceita nas verificações WCAG, ADA e EAA. As legendas trazem marcações de tempo, identificação de falantes quando o detector está ligado e pontuação limpa. O MP4 embutido usa contorno e sombra para contraste e fica dentro das zonas seguras.

Abra «Glossário» nos ajustes de reconhecimento e escreva seus termos, um por linha. Eles são passados ao modelo como sugestão inicial, então nomes de produtos, sobrenomes, siglas e jargão profissional saem escritos corretamente. É o maior ganho de precisão em palestras técnicas e conteúdo de marca.