Como funciona
- Arraste o vídeo. O som é extraído no seu computador.
- Crie as legendas. Na primeira vez, o modelo de fala é baixado (cerca de 80 MB no Rápido, 250 MB no Preciso) e fica em cache no navegador: da próxima vez, começa na hora. Depois o reconhecimento roda no seu processador; seu áudio nunca sai do aparelho.
- Edite. Clique em uma marca de tempo para ir até esse ponto, corrija o texto na lista, apague linhas ou desloque todas as legendas se estiverem adiantadas ou atrasadas.
- Salve. Baixe um arquivo .srt ou .vtt, ou salve o vídeo com as legendas gravadas na imagem.
Gravadas na imagem ou em arquivo separado?
- Gravadas (legendas abertas): fazem parte da imagem e aparecem em qualquer lugar: Instagram, TikTok, LinkedIn, WhatsApp, qualquer TV. A maioria dos vídeos nas redes é vista sem som, então essa é a escolha comum para redes sociais. O vídeo é recodificado.
- Um .srt ao lado do vídeo (legendas ocultas): quem assiste pode ligar ou desligar. Dê o mesmo nome do vídeo (
ferias.mp4+ferias.srt) e VLC, Plex, Kodi e a maioria das smart TVs carregam sozinhos. YouTube e Vimeo também aceitam upload de SRT e VTT.
Qual é a precisão?
Com fala clara num ambiente silencioso, o Whisper acerta a maioria das palavras; nomes, marcas e termos técnicos são onde você vai precisar corrigir. Música de fundo, várias pessoas falando ao mesmo tempo e sotaques fortes reduzem a precisão. O “Preciso” usa um modelo maior e erra bem menos, com cerca de um terço da velocidade.
Quanto tempo leva?
Num notebook típico dos últimos anos, o modelo Rápido processa a fala umas 3–4 vezes mais rápido que o tempo real: um vídeo de 10 minutos em cerca de 3 minutos. O Preciso roda mais ou menos em tempo real. Computadores antigos ou de baixo consumo são mais lentos; você pode continuar usando outras abas enquanto ele trabalha.
Idiomas e tradução
O Whisper reconhece cerca de 100 idiomas e detecta o idioma sozinho. Ele também pode traduzir a fala para legendas em inglês: escolha “inglês (tradução)”, útil para mostrar um vídeo gravado em outro idioma a um público que fala inglês.
Seus arquivos ficam no seu aparelho
A maioria dos geradores de legendas envia seu vídeo para os servidores deles e cobra por minuto. Aqui o modelo roda localmente no seu navegador, então não há upload, limite de tempo nem assinatura: útil para entrevistas, reuniões internas e qualquer coisa confidencial.
Perguntas frequentes
É grátis?
Sim, sem limite de minutos, sem marca d’água e sem cadastro.
Meu vídeo é enviado?
Não. Só o modelo de fala é baixado uma vez do Hugging Face; seu vídeo e seu áudio ficam no seu computador.
Qual é a diferença entre SRT e VTT?
Os dois são arquivos de legenda em texto puro. O SRT é suportado por quase todo player e TV; o VTT é o padrão da web usado pelos players HTML5. Baixe o que a sua plataforma pedir.
Posso usar meu próprio arquivo SRT e gravá-lo no vídeo?
Sim: use “Importar SRT/VTT”, confira a sincronia e salve o vídeo com as legendas gravadas.
Por que a primeira vez é lenta?
O modelo de fala precisa ser baixado uma vez (80–250 MB). Depois disso, ele fica em cache no navegador.
Última atualização: 30/10/2026