Gerar legenda (STT)¶

Transcreve áudio ou vídeo em legendas com timing. Capta a fala e emite SRT / VTT / ASS / SSA — com tradução opcional na mesma passagem.

O que você precisa¶

FFmpeg no PATH para decodificação áudio/vídeo — veja Configuração FFmpeg.
Um backend de transcrição, um de:
- faster-whisper — local, offline, grátis (padrão; sem configuração necessária)
- Google Cloud Speech-to-Text — cloud, pago, mais preciso em áudio ruidoso. Veja Configuração Google Cloud.
- Soniox — cloud, pago, tempo real e diarização de falantes. Veja Configuração Soniox.

Clique em Gerar legenda na barra lateral.
Solte um ou mais arquivos áudio / vídeo (.mp3, .wav, .m4a, .flac, .ogg, .aac, .wma, .mp4, .webm, .mkv, .avi, .mov, .wmv).
Escolha o Idioma fonte (o idioma falado no áudio) — deixe em Detecção automática para o Whisper descobrir.
Escolha um Idioma destino — escolha Sem tradução para transcrição simples, ou qualquer um dos 45 idiomas suportados para traduzir a transcrição na mesma passagem.
Escolha o Formato de saída (SRT / VTT / ASS / SSA).
Clique em Gerar (ou Ctrl+Enter).
Observe a fila. Abra a linha quando terminar.

Formato	Melhor para
SRT	Universal — quase todo player suporta
VTT	Elementos `<track>` de HTML5 `<video>`
ASS / SSA	Karaokê, legendas estilizadas, fluxos fansub

Os quatro formatos fazem round-trip pelo mesmo parser, então você pode trocar o formato de saída em uma re-tradução sem perder o timing.

Troque em Configurações → Legenda:

Modelo	Tamanho	Velocidade	Precisão
`tiny`	~75 MB	muito rápido	baixa
`base` (padrão)	~150 MB	rápido	decente
`small`	~500 MB	médio	bom
`medium`	~1.5 GB	lento	alto
`large`	~3 GB	muito lento	melhor

Modelos baixam no primeiro uso e ficam cacheados localmente. Em conexão lenta a primeira execução parece longa; as seguintes são rápidas.

Backend	Custo	Online?	Diarização	Idiomas
Whisper (local)	Grátis	Não	Não	99
Google Cloud STT	Pago	Sim	Sim (modelo `latest_long`)	125+
Soniox	Pago	Sim	Sim (rótulos por token)	60+

Troque em Configurações → Legenda → Método STT.

Botão Parar — interrompe um batch em andamento. Arquivos enfileirados atrás do ativo permanecem na fila; você pode retomar depois.
Re-gerar — clique direito em uma entrada Done para reexecutar com formato / idioma / método STT diferente.
Áudio longo — Whisper lida bem com horas de áudio; orçamente ~1 minuto de processamento por minuto de áudio em CPU com modelo base.