Limpador de transcrição
Cole uma transcrição ou abra um arquivo .txt, .srt ou .vtt. Remova palavras de preenchimento, carimbos de data/hora e números de deixa e junte as falas de cada falante. Funciona no seu navegador — o texto nunca sai dele e não há conta.
O que a ferramenta faz e as regras que ela segue
Cada alteração segue uma regra que você pode verificar na caixa de resultados. Quando uma regra precisa presumir algo, a preferência é sempre manter a palavra.
- Palavras de preenchimento
- Sons sem nenhum outro significado — um, eh, hum, euh, äh e semelhantes — são removidos onde quer que estejam. Palavras que são preenchimento apenas às vezes são removidas somente onde a pontuação as isola, e apenas onde raramente têm outro significado: algumas onde quer que estejam entre vírgulas (“we, like, went”), algumas apenas abrindo uma frase (“Well, I think”), algumas apenas fechando uma frase (“c’est cool, quoi.”). Uma palavra que forma uma frase por si só (“Right.”) permanece: trata-se de uma resposta. A palavra que passa a abrir a frase tem a inicial maiúscula; uma palavra de preenchimento escrita em maiúsculas dentro de um texto em minúsculas é considerada uma sigla e mantida. As listas estão em Perguntas abaixo.
- Nomes dos falantes
- Um “Nome:” no início de uma linha é um falante quando abre pelo menos duas linhas, quando indica “Speaker 1”, quando um horário fica entre ele e os dois-pontos (“Maya (00:01:23):”) ou quando o texto é escrito em linhas no formato “Nome: texto” e algum nome se repete. Caso contrário, uma palavra que abre apenas uma linha — “Aviso:”, “Nota:” — permanece como escrita, porque descartá-la seria pior do que manter um nome. Um nome começa com uma letra, portanto um placar como “3:2” nunca é considerado um falante. Uma tag de voz do WebVTT sempre dá nome ao seu falante.
- Carimbos de data/hora e números de marcação
- Um horário no início de uma linha — [00:01:23], (1:30), 0:02:05 — ou após o nome — Maya (00:01:23): — é o horário do parágrafo. Uma linha que contém apenas um nome e um horário, como os aplicativos de reunião exportam, dá nome ao parágrafo abaixo dela quando indica “Speaker 1” ou quando o nome encabeça mais de uma linha desse tipo; caso contrário, ela permanece como texto, já que “Almoço às 12:30” tem a mesma aparência. Um horário dentro de uma frase (“nos encontramos às 12:30”) é deixado como está. Os números de deixa saem junto com os carimbos de data/hora.
- Arquivos de legenda
- SubRip e WebVTT são lidos como legendas, sendo cada deixa um parágrafo com suas quebras de linha unificadas; uma quebra de linha nunca é considerada o fim de uma frase. Com os carimbos de data/hora mantidos, as deixas limpas podem ser baixadas como .srt ou .vtt com sua temporização inalterada e as mesmas palavras da caixa de resultados; mesclar falas aplica-se apenas ao texto, já que uma deixa mantém seu próprio tempo na tela.
- Falas mescladas
- Parágrafos consecutivos do mesmo falante identificado são unidos em um só, mantendo o horário do primeiro. Um parágrafo sem nome nunca é unido a nada: supor que ele continua a fala do falante anterior seria apenas uma estimativa, e a leitura é a mesma de qualquer forma.
- Marcas de ordem de byte (BOM) e quebras de linha do Windows
- Removidos e normalizados, em vez de transformar a primeira legenda em um bloco ilegível.
Perguntas
Minha transcrição é enviada para algum servidor?
Não. O texto é lido e reescrito nesta página, no seu navegador, e nada é enviado para lugar nenhum. O link no final leva ao txscribe, que transcreve gravações na nuvem; esta página não faz isso.
Quais palavras de preenchimento ela remove?
Aquelas que constam em suas listas para inglês, espanhol, português, francês e alemão — selecione o idioma acima do texto; as palavras de cada idioma são separadas por ponto e vírgula. Sons sem nenhum outro significado são removidos onde quer que estejam: um, uh, uhm, er, erm, ah, eh, hm; eh, ehm, em; hum, hã, ahn, ãh, eh; euh, hum, hm, bah; äh, ähm, öhm, ehm, hm, mh. Estas são removidas onde quer que a pontuação as isole de ambos os lados: like, actually, basically, literally, you know, i mean, sort of, kind of; o sea, digamos, en plan, pues; né, quer dizer; en fait, du coup, tu vois, hein; sozusagen, quasi, ich meine, irgendwie, halt. Estas são removidas apenas ao abrir uma frase, seguidas de vírgula: so, well, right, okay, ok, anyway; este, bueno, mira, oye, tipo, a ver; então, assim, bom, enfim, olha, tipo, é; bon, alors, donc, enfin, voilà, bref, genre; also, naja, na ja, nun. Estas são removidas apenas ao fechar uma frase, após uma vírgula: sabe, entendeu; quoi, voyez; gell, weißt du, weisst du. Nenhuma delas é removida quando forma uma frase por si só: trata-se de uma resposta.
Por que uma palavra que considero de preenchimento foi mantida?
Porque nada a isolou por pontuação, ou ela estava onde costuma ser uma palavra real. “We like went home” mantém seu “like”: sem uma vírgula de cada lado, a página não consegue diferenciá-la de “we like going home”, e a regra é manter uma palavra em vez de tirar o sentido. Adicione as vírgulas e ela é removida.
Posso manter os carimbos de data/hora?
Sim: desmarque “Remover carimbos de data/hora e números de marcação”. Cada parágrafo passará a começar com o seu horário e, se o arquivo de entrada for um .srt ou .vtt, as marcações limpas poderão ser baixadas como .srt ou .vtt com a sincronização original mantida.
O que a ferramenta lê?
Texto sem formatação com linhas no formato “Nome: texto”, horários no início da linha ou após o nome, cabeçalhos de aplicativos de reunião como “Speaker 1 0:03”, arquivos SubRip e WebVTT, tags de voz do WebVTT, quebras de linha do Windows e marca de ordem de byte (BOM). Arquivos de áudio e vídeo não são aceitos: esta página limpa textos, não faz transcrição.
É gratuito?
Sim, sem precisar de conta e sem instalar nada.
Precisa da transcrição primeiro?
O txscribe transcreve áudio e vídeo com um carimbo de data/hora em cada palavra e exporta em texto sem formatação, SubRip e WebVTT. Diferentemente desta página, essa etapa é executada na nuvem.
Comece grátis