Crie legendas para um vídeo ou uma gravação
Uma entrevista, uma aula, uma ligação com um cliente, uma demonstração de produto: as gravações que mais precisam de legendas costumam ser justamente as que não deveriam ir para um serviço de transcrição. Aqui o modelo de voz roda dentro desta aba, então o arquivo nunca sai do seu computador.
- Funciona inteiramente no seu navegador
- Funciona offline
- Sem envio de arquivos
- Sem registro
- Sem marca d’água
Carregando a ferramenta…
Como funciona
- Solte o vídeo ou o arquivo de áudio. Deixe o idioma no automático, ou escolha-o se a detecção errar.
- Clique em “Criar legendas”. Na primeira vez, o modelo de voz é baixado uma única vez (240 ou 540 MB, conforme o computador); depois a gravação é transcrita parte por parte.
- Corrija o texto e os tempos enquanto o vídeo os mostra, e baixe o .srt ou o .vtt, ou crie um MP4 com as legendas gravadas.
Por que nada é enviado
Tudo o que esta página faz é executado por código que roda dentro da aba do seu navegador, com o mesmo motor que desenha as páginas web. O arquivo é lido do disco para a memória da aba, transformado ali e escrito de volta como um download. Ele nunca é enviado a lugar nenhum — nem para nós, nem para terceiros.
Comprove você mesmo
- Abra as ferramentas de desenvolvedor do navegador (F12) e escolha a aba Rede.
- Carregue o seu arquivo e rode a ferramenta.
- As únicas requisições que você vai ver baixam o código da própria ferramenta — e, em algumas ferramentas pesadas, o motor de código aberto delas (também deste site) ou um modelo de IA do Hugging Face — mais um pequeno aviso de visita para loreatec.jp (endereço e título da página, nada mais). Nenhuma delas leva o seu arquivo.
Perguntas frequentes
Qual é a precisão?
Com fala clara e uma pessoa falando de cada vez, a maioria das palavras sai certa, mas trate o resultado como um rascunho. A precisão cai com música de fundo, pessoas falando ao mesmo tempo, sotaques fortes, jargão e microfones ruins. Confira nomes, números e termos técnicos, e leia uma vez acompanhando o vídeo. Durante música ou silêncio, o modelo às vezes escreve uma frase que ninguém disse: apague-a. Os tempos podem variar uma fração de segundo.
Qual modelo é usado e por que o download é tão grande?
OpenAI Whisper (licença MIT), nas versões publicadas no Hugging Face. Se o navegador oferece WebGPU, o large-v3 turbo (cerca de 540 MB) roda no chip gráfico e marca o tempo de cada palavra. Caso contrário, o Whisper small (cerca de 240 MB) roda no processador: mais lento, menos preciso e com tempos por frase em vez de por palavra. Qualquer um deles é baixado uma vez e fica guardado no navegador; a página de IA local deste site usa os mesmos arquivos, então eles não são baixados duas vezes.
Minha gravação é enviada?
Não. O som é decodificado, transcrito e transformado em legendas dentro desta aba do navegador. Os únicos downloads são o próprio modelo e, em alguns formatos, o motor de vídeo servido por este site. Você pode conferir: com o modelo carregado, a ferramenta continua funcionando no modo avião.
Como as linhas são divididas?
No máximo duas linhas por legenda, cerca de 42 caracteres por linha (16 em japonês e chinês) e entre um e sete segundos na tela. As linhas são quebradas no fim das frases, nas pausas e nas vírgulas, e não depois de um artigo ou de uma preposição quando dá para evitar. Cada legenda pode ser editada, unida à seguinte ou apagada, e seus tempos podem ser alterados à mão.
SRT, VTT ou gravadas no vídeo?
O SRT é aceito em quase todo lugar: YouTube, Vimeo, editores de vídeo, VLC. O VTT é o formato das páginas web (o elemento <track>) e de algumas plataformas. Gravar desenha o texto sobre a imagem, para lugares que não aceitam arquivos de legenda; o vídeo inteiro é recodificado no navegador como MP4 H.264, o que leva um tempo, e as legendas não podem mais ser desligadas.
Quanto tempo leva?
Depende do computador. Em um notebook comum com gráficos integrados, levou de 1 a 1,5 vez a duração da gravação; só com o processador, cerca do dobro. Com uma placa de vídeo dedicada é mais rápido. A gravação é transcrita em partes de 30 segundos, a barra de progresso mostra em qual parte está e você pode parar quando quiser.