Conversor de MP3 para Texto — Transcrição com IA

A compressão que você ouve não é a compressão que ele lê

MP3 descarta as frequências que seus ouvidos não sentirão falta, e o reconhecimento de fala segue a mesma lógica com prazer: o de que uma transcrição depende — fonemas, fronteiras de sílabas, o contorno de entonação de uma frase — sobrevive intacto à compressão ordinária de MP3. Um podcast exportado em uma taxa de bits normal ainda carrega essencialmente todo o conteúdo linguístico de que o motor precisa, então transcrever a partir de MP3 não é nenhum comprometimento. A fala ocupa uma faixa de frequências muito mais estreita que a música, e taxas de bits ordinárias preservam essa faixa com folga — artefatos audíveis moram em pratos e caudas de reverb, não em se alguém disse quinze ou cinquenta.

Mecanicamente, o seu arquivo é primeiro decodificado em áudio WAV limpo, e o pipeline de transcrição FunASR roda sobre ele. Você nunca vê o arquivo intermediário; ele existe para que o modelo acústico sempre enfrente uma entrada uniforme, seja qual for a taxa de bits ou a taxa de amostragem do seu MP3. Para você, o formato é só o invólucro; para o motor, as palavras sempre foram a carga.

Três arquivos, quando o áudio os suporta

O arquivo TXT é o artefato central: a transcrição completa como texto simples, pronta para citar, editar ou arquivar. Todo trabalho bem-sucedido o produz, e nenhum software especial é necessário para abri-lo — é o formato que todo app de notas, editor e janela de chat aceita sem pestanejar.

Os arquivos SRT e de diálogo são extras de melhor esforço, não promessas. Eles repousam no que o motor consegue inferir sobre tempo e segmentação; fala esparsa, pessoas falando ao mesmo tempo e longos silêncios podem deixá-lo com material de menos, e um ou ambos podem estar ausentes. Um trabalho que devolve apenas o TXT foi bem-sucedido — a página não finge que os três arquivos sempre chegam juntos. Quando aparecem, o SRT mantém os carimbos de tempo alinhados com o áudio, e o arquivo de diálogo agrupa as falas em blocos legíveis.

Se legendas importam para o seu fluxo de trabalho, confira a página de resultado antes de fechar a aba: cada artefato produzido está listado lá, e um SRT ausente diz algo sobre o seu áudio, não sobre o trabalho.

Onde ele se destaca, onde ele sofre

O motor é o pipeline FunASR construído sobre o paraformer-zh, um modelo otimizado para chinês. Fala em chinês transcreve melhor, e fala mista chinês-inglês — como reuniões de tecnologia e avaliações de produto realmente soam — é uma força real: o modelo muda de idioma no meio da frase sem perder o fio. Uma gravação que mistura apresentação em mandarim com nomes de produto em inglês, menções de API e números é precisamente o caso para o qual o modelo foi afinado.

Áudio puramente em outro idioma é o ponto fraco confessado: gravações só em inglês e outros idiomas produzem qualidade limitada, e salas barulhentas ou sotaques fortes derrubam o resultado ainda mais. Dizer isso abertamente é melhor que entregar a você uma transcrição errada com confiança.

Dois limites também se aplicam. Áudio com mais de 30 minutos não é aceito, então divida gravações longas antes de enviar. E a informação de falante nos resultados é o que o motor produzir — pode estar ausente, e nenhuma promessa forte de separação de falantes é feita.

Prazo, custo e privacidade

A maioria das conversões termina em alguns minutos; o teto da tarefa é cerca de 45 minutos, o que cobre as gravações aceitas mais lentas, e o progresso é mostrado enquanto o motor trabalha. Decodificar o MP3 quase não acrescenta nada ao relógio — a transcrição domina. Uma gravação de 30 minutos é o caso aceito mais pesado, e o teto é dimensionado para ele.

A ferramenta é gratuita, sem necessidade de conta, e o seu MP3 enviado, junto com cada arquivo gerado, é excluído automaticamente em 24 horas. Os envios viajam por HTTPS, o processamento acontece na memória no cluster de conversão, e nenhuma rede de publicidade de terceiros observa a página. Nenhum endereço de e-mail é solicitado em momento algum.