O melhor conversor de MP3 para texto

Google Docs voice typing

A digitação por voz do Google Docs não custa nada além de uma conta Google e lida bem com fala clara. Ela só escuta o microfone: não há upload de arquivo, então o MP3 precisa ser tocado em voz alta ou ditado de novo em tempo real, sem marcas de tempo, rótulos de oradores nem exportação de legendas. Serve para um memorando de dois minutos; para uma hora de áudio, é um sofrimento.

Ideal para: Um memorando, sem criar conta

Sonix

O Sonix foi feito para arquivos enviados: um MP3 volta cerca de 10x mais rápido que o tempo real, com rótulos de oradores e marcação de tempo por palavra de 100 ms; você corrige no AudioText Editor enquanto o áudio toca e exporta em qualquer um de 18+ formatos. A transcrição abrange 54+ idiomas, e a tradução, 54+. Os primeiros 30 minutos são gratuitos, sem cartão; depois, são $10 por hora com pagamento por uso, ou um plano. Para um clipe curto uma vez por ano, talvez nada disso seja necessário.

Ideal para: Entrevistas e tudo o que você vai citar

Otter.ai

O Otter.ai se sai melhor enquanto grava uma reunião: transcrição ao vivo, identificação de oradores e resumos automáticos. Para arquivos MP3, o plano gratuito é apertado: 300 minutos por mês, 30 minutos por conversa e 3 importações de arquivo durante toda a vida da conta. O Pro, a partir de $8.33 por usuário ao mês no faturamento anual, amplia isso para 10 importações por mês. A transcrição por IA abrange 6 idiomas.

Ideal para: Reuniões gravadas em tempo real

Descript

O Descript trata a transcrição como a própria superfície de edição: apague uma frase do texto e ela sai do áudio. A transcrição em 25 idiomas, com detecção de oradores, vem dentro de um pacote criativo, com 60 minutos de mídia grátis por mês e o plano Hobbyist a partir de $16 por mês no faturamento anual. Se você só precisa do texto de um MP3, está pagando por um estúdio que talvez nunca use.

Ideal para: Áudio e vídeo que você já vai editar

Rev

A Rev vende transcrição por IA e transcrição humana a $1.99 por minuto; é a escolha certa quando um prazo jurídico ou de radiodifusão exige um texto quase perfeito e você prefere pagar a revisar. O plano gratuito dá 45 minutos de IA por mês em inglês; o Essentials custa $25.49 por licença ao mês no faturamento anual. O trabalho humano leva horas, não minutos, e o preço por minuto sobe rápido em gravações longas.

Ideal para: Uma transcrição revisada por uma pessoa

Happy Scribe

O Happy Scribe combina transcrição por IA em mais de 150 idiomas e dialetos com um editor de legendas e transcrição humana a partir de $2.00 por minuto. O plano Basic cobre 120 minutos por mês a $8.50 no faturamento anual, com minutos extras a $0.20, então os meses de uso intenso pesam diante de uma tarifa por hora. Um teste de 10 minutos roda com o seu próprio áudio.

Ideal para: Um idioma que a maioria das ferramentas não cobre

OpenAI Whisper

O Whisper é o modelo de reconhecimento de fala de código aberto da OpenAI, sob licença MIT: um pip install e você transcreve arquivos MP3 no seu próprio computador, sem upload e sem cobrança, o que convém para áudio sensível. O computador é por sua conta, arquivos longos podem demorar, e o resultado é texto bruto, sem editor, rótulos de oradores nem exportações formatadas, a menos que você mesmo os programe.

Ideal para: Desenvolvedores e hospedagem própria

O que os números dizem

11 erros em 707 palavras equivalem a 98.4% de precisão por palavra, num discurso gravado em cera por uma corneta acústica 114 anos antes deste teste. É um áudio muito mais difícil do que um celular sobre a mesa de reunião ou um microfone de podcast, e é por isso que esta página atribui ao mecanismo até 99% em áudio nítido, e este teste ficou logo abaixo disso.

Três tipos de erro explicam as 8 correções. Nomes próprios (3): o mecanismo nunca tinha ouvido falar de Turgot, o economista francês que Roosevelt cita duas vezes, nem do bourbonismo. Vocabulário de época (2): “profit” e “expedients”, ditos com a cadência de 1912. Quase homófonos que um ouvinte também poderia confundir (3): “our” por “are”, “zones” por “souls”, “when” por “where”. Nenhuma frase se perdeu nem foi inventada; cada erro é uma única palavra mal ouvida, e é isso que torna a revisão rápida.

A correção levou 4 minutos para uma gravação de 4 minutos: uma única audição em velocidade normal, com o áudio tocando sob a palavra em correção. Num arquivo difícil, isso dá cerca de um minuto de edição por minuto de áudio, e são os nomes que consomem o tempo. Uma gravação moderna e limpa exige menos paradas, e um nome que se repete é pego já na primeira passada quando você sabe que precisa prestar atenção nele.