O Whisper large-v3 com áudio limpo aproxima-se de um transcritor humano; com áudio fraco engana-se como qualquer pessoa. As seis regras abaixo valem mais do que qualquer definição.
Transcrever agora, grátis →Uma voz de cada vez: quando duas pessoas se sobrepõem, nenhum motor transcreve bem. Áudio não demasiado comprimido: um m4a ou wav original é melhor do que um mp3 a 32 kbps recodificado várias vezes. Volume normal: se tem de pôr o volume no máximo para ouvir, o motor ouve tão mal como si.
Converter o ficheiro para outros formatos, "limpar" o áudio com filtros agressivos que também tiram a voz, carregar o mesmo ficheiro várias vezes. Se o texto sair mal na mesma, o problema é quase sempre a gravação: volte a ouvir dez segundos e pergunte-se se um estranho perceberia as palavras.
Com áudio limpo num dos 8 idiomas suportados, em geral corrige-se menos de uma palavra em vinte; com ruído ou vozes sobrepostas, bastante mais.
Muito pouco e só nos primeiros segundos: se conhece o idioma, escolhê-lo é mais seguro.
Sim: copie o texto e corrija nomes e números usando as marcas de tempo para encontrar os pontos no áudio.