De MP3 para texto Gratuito e preciso

A maioria dos "transcritores gratuitos" limita o uso a alguns minutos por dia ou adiciona uma marca d'água ao resultado até que você pague. O ScribeGrab é executado em nossa própria GPU, portanto, não há cobrança por minuto e nem limite diário: arquivos individuais de até 60 minutos e 1,5 GB, cerca de 100 idiomas detectados automaticamente e seu arquivo é excluído assim que o processo for concluído.

O MP3 é o formato em que a maioria das gravações termina, então o ScribeGrab lê diretamente, sem necessidade de conversão prévia. Tem um arquivo diferente? WAV, M4A, FLAC, OGG, AAC e os formatos de vídeo mais comuns funcionam da mesma forma. Consulte a seção Conversão de voz em texto que abrange gravações de voz do celular. Conversão de áudio em texto para obter a lista completa.

1. Abra o ScribeGrab e clique em "Abrir a ferramenta".
2. Arraste seu arquivo MP3 (até 60 minutos / 1,5 GB).
3. Deixe que nosso modelo de reconhecimento de voz transcreva o áudio em nossa GPU.
4. Baixe a transcrição como TXT, além de SRT/VTT se você quiser legendas.

A primeira coisa que as pessoas perguntam sobre um arquivo MP3 é se ele tem qualidade suficiente para ser transcrito. Quase sempre, sim. O reconhecimento de voz não "ouve" da mesma forma que você: o áudio é reamostrado para 16 kHz mono antes mesmo do modelo analisá-lo, porque é nessa faixa que reside a informação da fala humana. Um arquivo estéreo de 320 kbps e um arquivo mono de 128 kbps acabam tendo resultados muito semelhantes, e até mesmo gravações de voz de 64 kbps geralmente são transcritas sem problemas. A taxa de bits não é o fator mais importante.

O que realmente determina a precisão da transcrição é a qualidade do áudio gravado, e em ordem decrescente de importância: distância do microfone (um telefone sobre a mesa, a dois metros de distância, causa mais problemas do que qualquer codec), vozes sobrepostas, reverberação excessiva em um ambiente sem tratamento acústico, com paredes paralelas, e ruído de fundo constante como ar condicionado, tráfego ou a ventoinha de um laptop. Uma gravação feita com o microfone próximo à fonte sonora, com taxa de bits de 96 kbps, sempre terá resultados melhores do que uma gravação feita em ambiente amplo, mesmo que seja sem perdas.

Isso significa que as melhorias mais eficazes são aquelas que você faz antes de gravar, e não depois. Aproxime o gravador da pessoa que está falando. Se houver duas pessoas conversando, coloque-o entre elas, em vez de na frente de uma delas. Desligue a ventoinha. E se você já tiver o arquivo e ele não estiver perfeito, transcreva-o mesmo assim: é gratuito, leva apenas alguns minutos e você aprenderá mais lendo o resultado do que tentando adivinhar se vale a pena tentar.

MP3 é o formato que as pessoas geralmente se referem quando dizem "arquivo de áudio", mas raramente é a única cópia que você tem, e às vezes outro formato pode ser melhor. Se você tiver ambos, use a lista abaixo.

• WAV ou FLAC — sem compressão ou com compressão sem perdas. Use esses formatos se você os tiver; eles são maiores, mas nenhum dado foi descartado ainda. O FLAC tem aproximadamente metade do tamanho de um arquivo WAV para o mesmo áudio.
• M4A / AAC — formato usado por gravações de voz do iPhone e pela maioria dos gravadores modernos. Ligeiramente mais eficiente que o MP3 na mesma taxa de bits. Faça o upload diretamente, sem necessidade de conversão.
• MP3 — universal, e adequado para qualquer taxa de bits a partir de 64 kbps para áudio falado.
• OGG / Opus — formato usado por mensagens de voz do WhatsApp e gravações do Discord. Excelente em baixas taxas de bits. Faça o upload como está.
• MP4, MOV, MKV, WebM — arquivos de vídeo. Não há necessidade de extrair o áudio primeiro; a trilha sonora é extraída no servidor.

Converter um arquivo MP3 para WAV antes de fazer o upload não tem efeito, apenas aumenta o tamanho do arquivo, porque as informações que o MP3 descartou não são recuperadas. Pule essa etapa. Arquivos de até 60 minutos são processados em uma única passagem, e você recebe um arquivo de transcrição em texto simples, além de arquivos SRT e VTT com legendas gerados na mesma operação, independentemente de o material original ser áudio ou vídeo.

Um arquivo MP3 como entrada, três arquivos como saída, todos gerados na mesma operação — escolha aquele que melhor se adapta ao que você precisa:

• transcript.txt — texto simples, uma linha por frase. É o ideal para ler, pesquisar, citar ou colar em um documento.
• subtitles.srt — as mesmas palavras com códigos de tempo de início e fim no formato aceito pela maioria das plataformas e editores de vídeo. Útil até mesmo para áudio puro: é assim que você encontra onde em uma gravação de duas horas algo foi dito.
• subtitles.vtt — a versão nativa da web do mesmo arquivo, para um player HTML5 ou um editor baseado em navegador.

Quando mais de uma pessoa está falando, a transcrição também recebe etiquetas de oradorElas são determinadas pelas próprias vozes – a ferramenta mede as características de cada segmento falado e agrupa os semelhantes –, portanto, são uma estimativa informada, não uma certeza. Duas pessoas com vozes parecidas podem acabar sendo agrupadas, e uma pessoa que se aproxima e se afasta do microfone pode ser dividida em duas. Considere as etiquetas como um primeiro rascunho que você corrigirá em breve, e não como uma transcrição de quem disse o quê em um tribunal.

Uma transcrição nunca está pronta para ser publicada como está, independentemente da ferramenta utilizada. Fazer a organização nesta ordem leva apenas uma fração do tempo:

1. Corrija os nomes próprios primeiro, usando a função de localizar e substituir. Nomes, empresas, lugares e jargões são o que os modelos de reconhecimento de voz mais erram, e eles erram com frequência consistentemente — o mesmo nome é mal interpretado da mesma forma todas as vezes. Uma substituição geral por nome corrige vinte ocorrências.
2. Em seguida, faça a leitura para identificar os limites das frases. A pontuação é inferida a partir de pausas e entonação, portanto, um orador que interrompe o discurso terá um ponto final em um lugar incomum. Esta é uma leitura rápida, não uma reescrita.
3. Corrija as etiquetas dos falantes em seguida, depois de conhecer os nomes — antes de começar a editar o texto, enquanto a estrutura ainda corresponde ao áudio.
4. Só então edite para melhorar a legibilidade: elimine as palavras de preenchimento, condense as repetições, corte os falsos começos. Faça isso por último, porque cada etapa anterior é mais fácil com um texto literal.

Duas coisas economizam mais tempo do que qualquer uma das etapas acima. Mantenha o arquivo SRT aberto ao lado do texto — quando uma passagem parecer confusa, o código de tempo leva você diretamente àquele segundo no áudio para que você possa ouvir em vez de adivinhar. E se você estiver gravando o áudio sozinho, coloque o microfone perto do falante: um telefone colocado sobre a mesa a uma distância de um braço custa mais precisão do que qualquer configuração pode compensar, e é a única variável totalmente sob seu controle.