Sessões de estúdio, gravações de podcast, masters de voiceover, faixas de audiolivro. Arraste o arquivo .wav para um aplicativo gratuito do Windows e obtenha a transcrição localmente. Lida com 96k, 48k, 24 bits e multicanal. Sem upload, sem taxas por minuto.
Arraste, aguarde, copie. Qualquer taxa de amostragem, qualquer profundidade de bits, qualquer duração.
Pegue o instalador gratuito para Windows 10 ou 11 na página inicial do StarWhisper. A configuração leva cerca de dois minutos e inclui um download único do modelo Whisper para que o aplicativo possa funcionar totalmente offline após a instalação. Sem registro, sem cartão de crédito.
Abra o StarWhisper. Arraste seu arquivo .wav do Explorador de Arquivos para a janela. O StarWhisper lê WAV em qualquer taxa de amostragem (8k a 96k), qualquer profundidade de bits (16, 24 ou 32 bits float), mono ou estéreo. Não há necessidade de renderizar para um formato específico primeiro; o aplicativo lida com o que quer que sua DAW tenha exportado.
O StarWhisper processa o áudio localmente em sua CPU ou GPU. Velocidade: aproximadamente 10 vezes mais rápido que o tempo real em uma CPU de laptop moderno e 50 vezes mais rápido em uma GPU NVIDIA com CUDA. Um WAV de uma hora é transcrito em cerca de 6 a 12 minutos na CPU ou 1 a 2 minutos em uma GPU de nível intermediário. O progresso é mostrado em tempo real.
A transcrição aparece na janela do StarWhisper quando o processamento termina. Copie o texto completo para a área de transferência, salve-o como um arquivo .txt ou exporte como SRT ou VTT com marcações de tempo para fluxos de trabalho de legendas. Cole nas notas do seu programa, na página do episódio, no roteiro do audiolivro ou onde quer que a transcrição precise ir.
Vantagens específicas para fluxos de trabalho de áudio profissional.
Serviços na nuvem frequentemente recodificam grandes uploads WAV para um formato intermediário com perdas para economizar largura de banda. O StarWhisper lê o arquivo original sem perdas de 24 bits diretamente do disco.
Muitos serviços de transcrição na nuvem rejeitam WAVs acima de algumas centenas de megabytes em camadas gratuitas ou cobram extra acima de um limite. O StarWhisper lida com arquivos até o limite de formato WAV de 4 GB.
96k, 88.2k, 48k, 44.1k, 32k, 24k, 16k, 8k, todos suportados. A reamostragem interna para 16k é de alta qualidade e a precisão da transcrição é idêntica, independentemente da taxa de origem.
O Modo Local padrão executa o Whisper em sua própria CPU ou GPU. O WAV é decodificado localmente, transcrito localmente e o resultado é gravado em sua unidade. Útil para sessões de estúdio sob NDA. Detalhes de privacidade.
Gere arquivos prontos para legendas diretamente do WAV. Útil para adicionar transcrições acessíveis a versões em vídeo de podcasts ou criar faixas de legenda. Guia de legendas.
Proprietários de GPUs NVIDIA instalam o pacote CUDA e a velocidade de transcrição salta cerca de 5x. Um WAV de uma hora se torna um trabalho de dois minutos. Detalhes de GPU.
WAV (Waveform Audio File Format) é o contêiner sem compactação e sem perdas que os profissionais de áudio usam desde o início dos anos 90. Todas as DAWs exportam para WAV. Todo arquivo de estúdio armazena as masters em WAV. Toda especificação de entrega de voiceover pede WAV. Toda cadeia de produção de podcast termina em uma master WAV antes de ser codificada para MP3 ou AAC para distribuição.
O motivo é simples: o WAV preserva o áudio original bit a bit. Não há codec, sem artefatos de compressão, sem perda de qualidade. Quando você grava um episódio de podcast, sessão de voiceover ou narração de audiolivro em sua DAW e exporta um WAV de 48 kHz 24 bits, esse arquivo é a referência canônica para todas as decisões futuras. Você cria MP3s para distribuição a partir do WAV, nunca o contrário.
O problema de transcrever WAVs é que as mesmas propriedades que os tornam ideais para áudio profissional também os tornam desajeitados para ferramentas online. Os arquivos são grandes (um WAV de uma hora, 48k estéreo, 24 bits tem cerca de 1,0 GB). Os tempos de upload são longos. Muitos serviços de transcrição na nuvem limitam o tamanho do arquivo em camadas gratuitas, cobram extra por arquivos grandes ou re-codificam silenciosamente o upload para um intermediário com perdas. O StarWhisper lida com o WAV como um formato de primeira classe em sua própria máquina, gratuitamente, offline, sem etapa de upload.
Fluxos de trabalho de áudio profissional são obcecados com a taxa de amostragem, profundidade de bits e layout de canais por um bom motivo: essas escolhas afetam a masterização, a mixagem e a experiência final do ouvinte. Para a transcrição especificamente, o cenário é muito mais simples.
O Whisper foi treinado em áudio de 16 kHz. O StarWhisper reduz internamente a amostragem do seu WAV para 16 kHz usando um reamostrador de alta qualidade antes de executar o modelo. Um WAV de 96 kHz produz a mesma transcrição que uma versão de 16 kHz do mesmo áudio. A fala humana ocupa uma faixa de frequência de aproximadamente 100 Hz a 8 kHz; tudo acima de 8 kHz são detalhes de consoantes e ruído ambiente, nenhum dos quais o Whisper usa para reconhecimento de palavras. Taxas de amostragem mais altas são desperdiçadas na transcrição.
16 bits, 24 bits e 32 bits float transcrevem de forma idêntica. A profundidade de bits controla a faixa dinâmica, o que importa para a produção musical, mas não para o reconhecimento de palavras. O Whisper trabalha internamente com 32 bits float, independentemente da profundidade de bits da origem.
O Whisper é um modelo mono. O StarWhisper mistura WAVs estéreo e multicanal em mono antes do processamento. Para a maioria do conteúdo de podcast e voiceover, isso é bom. Para gravações de entrevistas em que cada locutor está em um canal separado, a abordagem mais limpa é dividir o WAV em arquivos mono por canal usando qualquer editor de áudio e, em seguida, transcrever cada um separadamente. Isso fornece transcrições por locutor que você pode rotular e combinar na pós-produção.
Cenários comuns de áudio profissional com tempo realista:
Exporte um episódio de 60 minutos como um WAV de 48k estéreo 24 bits (aproximadamente 1 GB no disco). Solte no StarWhisper. Tempo de processamento na CPU: 6 a 12 minutos. Tempo de processamento na GPU: 1 a 2 minutos. Saída: aproximadamente 8.000 palavras de transcrição em texto puro adequada para notas do programa. Leve edição, publique. Para mais detalhes sobre o fluxo de trabalho específico para podcasts, consulte voz para texto para podcasters ou como transcrever podcasts.
Capítulo narrado, exportado como WAV de 48k mono 24 bits, com 45 minutos de duração (cerca de 500 MB). Solte no StarWhisper. Saída: aproximadamente 6.500 palavras de texto do capítulo. Útil para verificação cruzada da narração em relação ao roteiro original para pegar erros ou linhas perdidas.
Entrevista com três apresentadores, cada um em um canal WAV separado após a sessão. Exporte cada canal como um WAV mono. Solte cada um no StarWhisper individualmente. Resultado: três transcrições por locutor que você pode combinar com código de tempo e rótulos de falante na pós-produção. O tempo total de processamento escala linearmente: três WAVs mono de 60 minutos levam cerca de 18 a 36 minutos na CPU ou 3 a 6 minutos na GPU.
Ator de voz grava 10 takes de um comercial de 30 segundos. Cada take é exportado como um WAV separado. Solte a pasta no StarWhisper. O aplicativo enfileira todos os takes e produz um arquivo de transcrição rotulado para cada um. Útil para a análise da agência comparar a escolha de palavras de take a take.
Muitas pessoas acabam com ambos: uma master WAV e uma cópia de distribuição em MP3. Para a transcrição, a resposta é quase sempre o WAV.
O WAV é o mais próximo da fonte, então tem o sinal mais limpo com o qual o Whisper pode trabalhar. O MP3 passou por um codec com perdas que confunde levemente as bordas de consoantes de alta frequência e adiciona artefatos de compressão em seções transientes. O Whisper lida bem com ambos, mas em áudios no limite (sotaques pesados, fala rápida, vocabulário técnico), o WAV produz uma transcrição mensuravelmente melhor.
A exceção é quando o WAV é grande e inconveniente e o MP3 é bom o suficiente. Para um episódio limpo de podcast em estúdio, onde o microfone de origem era sólido e a sala era tratada, a transcrição do MP3 é funcionalmente idêntica à do WAV. Use o que for mais rápido de pegar. Se você quiser a transcrição para fins de arquivamento ou acessibilidade, use o WAV. Para um fluxo de trabalho relacionado começando do MP3, veja como converter MP3 para texto. Se a sua fonte for uma gravação de voz do iPhone ou uma exportação do QuickTime, veja como converter M4A para texto.
Arquivos WAV de estúdio costumam conter conteúdo que não deve ficar em um servidor de terceiros:
Os serviços de transcrição na nuvem carregam o WAV para sua infraestrutura, independentemente do que há nele. Suas políticas de privacidade podem ser fortes, mas o arquivo ainda sai do seu controle. Para as categorias acima, isso costuma ser inaceitável por motivos contratuais, éticos, regulatórios ou legais.
O Modo Local do StarWhisper mantém tudo no seu dispositivo. O WAV é decodificado pelo aplicativo, o modelo Whisper é executado em sua CPU ou GPU e a transcrição é gravada no seu disco rígido. Nada sai da máquina. Para detalhes mais profundos, consulte arquitetura offline e de privacidade e como transcrever áudio offline. Para setores regulamentados específicos, consulte o FAQ de conformidade com o HIPAA ou voz para texto para advogados.
A camada gratuita do StarWhisper fornece 500 palavras por dia e 3.500 palavras por semana de saída transcrita. Um WAV típico de 60 minutos produz aproximadamente 8.000 palavras. Isso significa que um único episódio longo excede o limite gratuito diário. Você ainda pode processar o arquivo (não há limite de tamanho ou duração do arquivo em si), mas apenas as primeiras ~500 palavras contam para a cota de hoje.
Para trabalhos ocasionais de estúdio (um episódio a cada poucas semanas, a rara sessão de voiceover), a camada gratuita é suficiente. Para trabalho com volume de produção (episódios semanais de podcast, sessões diárias de gravação de audiolivro, transcrição regular de entrevistas), o plano Pro remove o limite. Custa 10 dólares por mês ou 80 dólares por ano. Todos os detalhes e preços do Pro. O plano gratuito é permanente, para que você possa verificar o fluxo de trabalho em um WAV longo antes de pagar.
As versões gratuita e Pro usam o mesmo modelo Whisper e produzem transcrições idênticas. O Pro apenas remove o limite de palavras e adiciona recursos de fluxo de trabalho, como vocabulário personalizado (útil para terminologia específica do setor) e prioridade de fallback na nuvem (se você optar por participar). Para transcrição pura de WAV, a única diferença prática é o teto de saída diário.
O mesmo fluxo de trabalho para o formato de áudio compactado mais comum do mundo.
Para Notas de Voz do iPhone, áudio do QuickTime e downloads do YouTube.
Use a exportação SRT/VTT para gerar legendas para versões em vídeo de podcasts.
O fluxo de trabalho completo de transcrição de podcast em estúdio, de ponta a ponta.