Conversor de WAV para Texto — Transcrição com IA

Do áudio bruto a texto útil

WAV é uma gravação na sua forma mais honesta: PCM sem compressão, exatamente o que o microfone capturou, sem artefatos de codec entre o motor e a forma de onda. Entregar um WAV a um serviço de transcrição significa que não há etapa de decodificação para falhar nem escolha de compressão para o modelo acústico questionar. O som entra, as palavras saem, e nada no meio teve chance de estragá-las. Não por acaso os apps de gravação partem para o WAV por padrão — nenhuma decisão foi tomada por você antes de a transcrição começar. A fala ocupa uma faixa de frequências muito mais estreita que a música, e um arquivo sem compressão mantém toda ela.

O que você recebe de volta é mais que um muro de texto. Ao lado de um TXT simples com a transcrição completa, o pipeline pode produzir um arquivo de legenda SRT com carimbos de tempo e uma visão de diálogo que organiza o texto em segmentos. Esses três artefatos se encaixam com precisão nos três destinos comuns de uma transcrição: lê-la, legendá-la e escavá-la depois.

Três arquivos, quando o áudio os suporta

O arquivo TXT é o artefato central: a transcrição completa como texto simples, pronta para editar, buscar ou colar em qualquer lugar. É o que todo trabalho bem-sucedido produz, e não exige de você nada além de qualquer editor de texto.

Os arquivos SRT e de diálogo são extras de melhor esforço, não garantias. Eles são derivados do que o motor consegue inferir sobre tempo e segmentação, e algumas gravações — fala esparsa, grande sobreposição, longos silêncios — dão material de menos, caso em que um ou ambos podem estar ausentes. Um trabalho que devolve apenas o TXT não falhou; a página se recusa a prometer três arquivos toda vez. Quando aparecem, os carimbos de tempo do SRT permanecem alinhados com o áudio, e a visão de diálogo agrupa as falas em blocos legíveis.

Se um arquivo de legenda importa 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 é uma declaração 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 mandarim transcreve melhor, e fala mista chinês-inglês — o registro padrão de dailies e reuniões de produto em tecnologia — é uma força genuína: o modelo troca de idioma no meio da frase sem perder o fio.

Áudio puramente em outro idioma é o ponto fraco honesto. Gravações só em inglês e outros idiomas funcionam com qualidade limitada, e sotaques fortes ou salas barulhentas derrubam os resultados ainda mais. Colocamos isso na página porque uma transcrição errada com confiança é pior que um aviso sincero.

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

Prazo, custo e privacidade

A maioria dos trabalhos termina em alguns minutos. O teto de uma tarefa de transcrição é cerca de 40 minutos, o que cobre as gravações aceitas mais lentas, e o progresso permanece visível enquanto o motor trabalha. O número de 40 minutos é um tempo limite da tarefa, não uma promessa de demora — gravações curtas são o caso comum e voltam rápido.

A ferramenta é gratuita, sem necessidade de conta, e tanto o WAV enviado quanto cada arquivo gerado são excluídos 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 roda no site. Nenhum endereço de e-mail é solicitado em momento algum. Uma transcrição de uma reunião interna não merece menos que isso.