Transcrever áudio em texto

Cerca de 3 a 5 minutos por hora de áudio no modelo padrão e 1 a 2 minutos por hora no modelo premium. Essas são medianas medidas em 7.432 transcrições reais de produção, não estimativas — é a única métrica desta página que vem com amostra e método. Uma prévia de 5 minutos costuma ficar pronta em menos de um minuto. O tempo varia com a qualidade do áudio e a fila no momento; você pode fechar a aba e voltar depois, porque a transcrição espera no painel.

Depende do uso. Para transcrição com identificação de falantes, marcação de tempo e exportação em vários formatos: VexaScribe (US$ 2-20/mês, 5 minutos grátis sem conta e 30 minutos com conta gratuita). Para um serviço brasileiro com preços em reais e Pix: Sintesy (R$ 39,90/mês via Woovi) ou VozParaTexto (R$ 19,90/mês). Para uso pontual gratuito: TurboScribe (30 min/dia) ou Whisper local (gratuito mas requer GPU NVIDIA). Para áudios curtos do WhatsApp: o próprio recurso nativo do WhatsApp (desde nov/2024) já transcreve. Para áudios encaminhados, longos, ou que exigem exportação em arquivo (DOCX, SRT, PDF), VexaScribe é mais adequado.

Cinco opções gratuitas em 2026. (1) VexaScribe oferece 30 minutos grátis na inscrição, sem cartão de crédito — qualidade Whisper Large-v3 completa, todos os formatos de exportação. (2) TurboScribe permite 3 arquivos de até 30 minutos por dia, gratuito recorrente. (3) Transkriptor oferece 30 minutos por dia. (4) WhatsApp transcreve áudios nativamente desde nov/2024 (apenas inline, sem exportação). (5) Whisper de código aberto pode rodar localmente no seu computador (gratuito ilimitado, requer GPU NVIDIA com 10 GB de VRAM ou whisper.cpp em CPU). Para vídeos no YouTube, as legendas automáticas do YouTube são gratuitas mas com precisão de apenas ~80% em PT-BR.

Sim, desde novembro de 2024. Para ativar no iPhone (iOS 17+): WhatsApp → Configurações → Conversas → 'Transcrição de mensagens de voz' → ativar e baixar o pacote de idioma português (100-150 MB). No Android (suporta apenas 5 idiomas, incluindo português): caminho similar em Configurações → Conversas. Para usar: pressione o áudio longamente → Transcrever. O processamento ocorre no próprio aparelho (privacidade total). Limitações conhecidas: não funciona em WhatsApp Web/Desktop, falha frequentemente em áudios encaminhados, não exporta como arquivo, e degrada em sotaques nordestinos mais marcados. Para esses casos, veja nossa página dedicada sobre transcrição de áudios do WhatsApp.

O Microsoft Word (Office 365) tem a funcionalidade nativa 'Ditar' e 'Transcrever' (introduzida em 2020). Workflow: abrir Word online ou desktop com assinatura Microsoft 365 → guia Página Inicial → botão Ditar (ícone microfone) → menu suspenso → Transcrever → fazer upload do arquivo de áudio ou gravar diretamente. Limites: até 80 minutos por arquivo para conta Microsoft 365 Personal/Family; até 5 horas de upload por mês. Para volume maior, identificação de falantes e exportação em vários formatos, VexaScribe é mais adequado. Microsoft suporta a transcrição apenas em alguns idiomas — verifique se o seu plano inclui português.

Não publicamos uma porcentagem, e vale explicar por quê. Não medimos a taxa de erro de palavra do nosso sistema num corpus em português com transcrições de referência, e número sem corpus e sem método diz pouco: o mesmo sistema entrega resultados muito diferentes numa aula gravada com microfone de lapela e numa reunião de quatro pessoas com um celular no meio da mesa. O que pesa no resultado, em ordem: distância do microfone, vozes sobrepostas, a variante falada, nomes próprios e vocabulário técnico, e o bitrate da gravação. O jeito mais honesto de avaliar é transcrever os primeiros cinco minutos do seu próprio arquivo na própria página, sem conta, e olhar o resultado.

Workflow padrão. (1) Exportar a gravação da reunião como MP4 (Meet, Zoom, Teams) ou MP3 (separadamente, se preferir). Cada plataforma tem botão de download na lista de reuniões gravadas. (2) Fazer upload do arquivo em VexaScribe — vídeo MP4 é aceito nativamente, áudio é extraído automaticamente sem necessidade de ffmpeg ou conversão. (3) Aguardar cerca de 3 a 5 minutos por hora de reunião. (4) Editar nomes dos participantes (diarização automática separa as vozes), revisar termos técnicos. (5) Exportar como DOCX (para ata da reunião), TXT (notas rápidas), ou SRT (para legendas se for republicar). Sobre LGPD: o armazenamento é em AWS Londres, Reino Unido — não União Europeia — e não treinamos modelos de IA com seus dados.

Comparativo de mercado reconferido em 17 de setembro de 2026. Transcrição humana profissional no Brasil: R$ 5-15 por minuto para conteúdo geral, R$ 15-30 por minuto para conteúdo técnico (jurídico, médico). Serviços brasileiros de IA: VozParaTexto R$ 19,90/mês (7h), Sintesy R$ 39,90/mês (com Pix via Woovi). VexaScribe: US$ 2/mês para 200 minutos e US$ 10/mês para 2.500 minutos (cerca de R$ 10 e R$ 52 ao câmbio de ~R$ 5,15 em 17/09/2026; a cobrança é em dólar). Fazendo a conta para uma hora de áudio no plano Pro: cerca de R$ 1,25, contra R$ 300 a R$ 900 de transcrição humana profissional — ou seja, duas a três ordens de magnitude de diferença. A escolha entre humano e IA depende do uso final: verbatim certificado para uso jurídico exige transcritor humano juramentado; para uso editorial, pesquisa, jornalismo e podcast, IA é largamente suficiente.

Depende do serviço usado. A LGPD (Lei 13.709/2018) trata a voz como dado pessoal e o conteúdo do áudio como dado potencialmente sensível. Critérios para avaliar qualquer fornecedor: (1) Local de armazenamento — a VexaScribe armazena em AWS eu-west-2, que é Londres, Reino Unido, e não União Europeia; vale dizer com clareza porque é comum ver "servidor europeu" usado como se Londres fosse UE, e a diferença pode importar num contrato. Transferência internacional é admitida com garantias contratuais, e o DPA está disponível sob solicitação; se a sua área jurídica exige um país específico, confirme a região com cada fornecedor. Otter, Notta e Transkriptor hospedam nos EUA. VozParaTexto e Sintesy são brasileiros, mas nenhum dos dois informa publicamente onde hospeda os dados, então pergunte antes de assinar. (2) Não-reutilização para treinamento de IA — compromisso contratual explícito da VexaScribe; alguns serviços treinam por padrão com a recusa escondida nas configurações. (3) Direito à eliminação — exclusão de arquivos e da conta pelo próprio painel. (4) Criptografia TLS 1.2+ em trânsito e AES-256 em repouso. Se a gravação não pode sair do seu equipamento, rodar o Whisper localmente é a única opção que garante isso.

Whisper Large-v3 é um modelo Transformer encoder-decoder lançado pela OpenAI em setembro de 2023, treinado em aproximadamente 5 milhões de horas de áudio multilíngue (incluindo grande corpus em PT-BR). Pipeline em 5 etapas: (1) Decodificação do arquivo de áudio. (2) Resampling para 16 kHz mono (resolução padrão Whisper). (3) Extração de features via spectrogram log-mel (80 canais). (4) Encoder Transformer (32 camadas em Large-v3) gera representação contextual. (5) Decoder gera tokens de texto com timestamps. O resultado é texto com pontuação, capitalização e timestamps ao nível da palavra. Whisper Large-v3 atinge ~5% Word Error Rate em PT-BR em áudio limpo (~95% de precisão), comparável ao inglês. VexaScribe usa Whisper Large-v3 sem modificações, na variante GPU otimizada para velocidade.

Reconferido nas páginas oficiais em 17 de setembro de 2026. VexaScribe: identificação de falantes e marcação de tempo, exportação em TXT, DOCX, SRT, VTT e JSON, 5 minutos grátis sem conta e 30 minutos com conta gratuita, planos de US$ 2 a 20/mês (cobrança em dólar; ~R$ 10 a R$ 103 ao câmbio de ~R$ 5,15 na mesma data), armazenamento em AWS Londres, Reino Unido. Narakeet: 20 arquivos de até 10 minutos sem conta — mais volume gratuito que oferecemos — mas devolve texto corrido, sem falantes nem marcação de tempo. Notta: plano gratuito de 120 minutos por mês com limite de 3 minutos por arquivo, o que o torna inviável para uma reunião de uma hora; plano pago US$ 13,99/mês na cobrança mensal. VozParaTexto: serviço brasileiro, R$ 19,90 a R$ 79,90/mês, 30 minutos grátis por mês. Sintesy: serviço brasileiro, R$ 12,49 a R$ 39,90/mês, 60 minutos grátis por mês. Regra prática: teste o mesmo áudio real em dois ou três e compare o que volta, em vez de comparar porcentagens anunciadas.

Sim, e há padrões previsíveis sobre onde a revisão custa mais tempo — mas não damos porcentagem por sotaque, porque não medimos. Português brasileiro padrão, inclusive com sotaque regional, costuma sair bem. Fala nordestina ou baiana marcada, com elisões e reduções vocálicas frequentes, é onde aparecem mais erros. Mineiro com elisão forte fica no meio. Português europeu é reconhecido, mas o vocabulário sai em norma brasileira com frequência. Variantes africanas estão muito menos representadas nos dados de treinamento e pedem bastante revisão. Um ponto que vale mais que o sotaque: a captação. Um paulistano gravado com o microfone do celular no meio da rua sai pior que um falante nordestino gravado com microfone de lapela em sala tratada. Para sotaque marcado, reserve tempo extra de revisão para nomes próprios e expressões locais.

Workflow VexaScribe para multi-locutor. (1) Fazer upload do arquivo (MP3, M4A, WAV, OGG até 5 GB / 10h). (2) Ativar a diarização — recurso nativo do VexaScribe que identifica automaticamente vozes distintas (suporta 2-10 locutores por arquivo). (3) A IA gera transcrição com etiquetas Speaker 1, Speaker 2, etc. (4) No editor web, renomear os locutores (Marcos → Marcos Silva, Speaker 2 → Convidada Ana, etc.). O renome se propaga em todo o texto. (5) Exportar em DOCX (para revistas científicas, atas), JSON (para análise quantitativa com speaker_id), ou SRT (para vídeo com legendas e prefixo do locutor). Precisão de diarização: 90-95% para 2-4 vozes com microfones separados, 75-85% para focus group de 6-8 pessoas. Para gravações multi-pista (Riverside, SquadCast, RØDECaster), transcrever cada pista separadamente para separação quase perfeita.