Como transcrever vídeo num Mac, e o que fazer com a transcrição
Transcrições precisas sem ligação, como escolher entre TXT, SRT e DOCX, e a segunda vida de uma transcrição quando deixa de a ver como legendas.
Transcrever era caro ou mau. Pagava cerca de um euro por minuto a uma pessoa, ou obtinha um resultado automático que custava mais a corrigir do que a escrever de raiz.
Isso acabou. Num Mac com Apple Silicon a voz para texto corre agora no próprio equipamento, sem ligação, sem custo por minuto, com códigos de tempo ao nível da palavra, em dezenas de línguas, com uma precisão que com áudio limpo supera uma dactilógrafa rápida. É a peça mais madura de toda a história da IA com vídeo.
O que quase toda a gente continua a não aproveitar é a segunda metade: para que serve uma transcrição quando deixa de pensar nela como legendas.
O que corre localmente, e quão bem
Por trás estão modelos da família Whisper: modelos abertos de reconhecimento de voz que vêm em vários tamanhos. Em Apple Silicon correm na GPU e no Neural Engine, e por isso um portátil aguenta-os com desenvoltura.
Expectativas práticas:
- Áudio limpo de entrevista, uma pessoa, microfone decente: precisão muito alta. Os erros concentram-se em nomes próprios e termos técnicos.
- Duas pessoas, alguma sobreposição: bem, com as partes sobrepostas confusas.
- Áudio ruidoso de exteriores, vento, café: piora de forma notória, embora continue a ser melhor do que nada.
- Sotaques carregados ou mudança de língua a meio da frase: variável. Teste com o seu próprio material antes de prometer seja o que for a um cliente.
- Velocidade: mais rápido do que tempo real em hardware moderno, muitas vezes várias vezes. Uma entrevista de 40 minutos é um café, não uma tarde.
A troca entre tamanhos de modelo é a do costume. Um pequeno é rápido e um pouco mais desleixado. Um maior é mais lento e melhor com áudio difícil. Para procurar costuma bastar o pequeno, porque “alguém disse faturação?” não precisa de pontuação perfeita. Para uma entrega ao cliente, use o maior.
Uma peculiaridade sistemática que vale a pena conhecer: os modelos de voz são treinados para produzir texto limpo e legível, portanto eliminam em silêncio as muletas. O seu “hã” muitas vezes não aparece na transcrição embora se oiça perfeitamente. Para um documento legível isso ajuda, e é um problema se queria usar a transcrição para localizar hesitações.
Escolher um formato de exportação
Tire mais do que um. São baratos e servem para coisas diferentes.
| Formato | Para quê |
|---|---|
.txt | Procurar. O Spotlight indexa-o, portanto as suas palavras faladas tornam-se localizáveis a partir do ambiente de trabalho. |
.srt | Legendas, e importar texto com códigos de tempo para um programa de montagem. |
.docx | Enviar a uma pessoa. Revisão, comentários, validação do cliente. |
.pdf | Entrega e arquivo, quando o desenho não deve mexer-se. |
O subestimado é o .txt. Guardado junto ao clipe, transforma o seu conteúdo falado em parte do mesmo índice do Spotlight que tudo o resto no Mac. Procurar uma frase meio lembrada de uma entrevista de há dezoito meses devolve o ficheiro de transcrição, na pasta, ao lado do vídeo. Isso é busca ao nível do momento no seu arquivo, ao preço de guardar um ficheiro de texto. Mais sobre esse padrão em encontrar clipes sem abrir o Premiere.
Nomear e arquivar transcrições
A regra: uma transcrição vive junto ao seu clipe e partilha o seu nome.
Entrevista-Terraco-Marcus_16x9_4K_25FPS.mp4
Entrevista-Terraco-Marcus_16x9_4K_25FPS.txt
Entrevista-Terraco-Marcus_16x9_4K_25FPS.srtNão numa pasta Transcricoes três níveis adiante, e não com um nome que só coincida por acaso. Quando uma busca tocar o ficheiro de texto, quer o vídeo a um relance, e quando arquivar o projeto, quer que viajem juntos.
Se mantém uma pasta de transcrições à parte para entregas, faça dela uma cópia. O conjunto de trabalho fica junto ao material.
Os usos para lá das legendas
É aqui que está o valor a sério, e é a parte a que quase nenhum fluxo chega.
Encontrar o momento. As transcrições com códigos de tempo transformam “onde é que ela falou da cadeia de abastecimento?” numa busca de texto que devolve um código de tempo. Em trabalho com muitas entrevistas é a maior poupança de tempo disponível em toda a pós-produção.
Dar nome a clipes. A primeira frase de um clipe falado costuma ser uma excelente descrição dele. Um clipe que começa com “bom, fundámos a empresa em 2019” é evidentemente o clipe da origem, e pode chamar-se assim automaticamente.
Ver a estrutura antes de montar. Com todas as entrevistas transcritas tem o conteúdo inteiro da filmagem como texto num ecrã. Ler 12.000 palavras são vinte minutos. Ver esse mesmo material são quatro horas. Vê a forma da peça, deteta a resposta repetida, repara que a melhor frase chegou no fim de uma tomada dispersa, e planeia a história antes de abrir uma linha de tempo.
Passá-la a outra coisa. Uma transcrição é texto portátil, portanto pode ir para o que usar para pensar: um documento, um esquema, um resumo, uma busca sobre um arquivo inteiro. A transcrição é a matéria-prima da estrutura, e a estrutura é o verdadeiro trabalho de uma peça.
Reaproveitar. Versão em blogue, notas do episódio, marcas de capítulo, cartões de citação, legendas. Tudo começa com texto que já tem.
Acessibilidade e alcance. As legendas não são opcionais em muitos canais, e as plataformas indexam o seu texto, o que afeta se alguém encontra sequer o vídeo.
A única coisa que corrige à mão
Os nomes próprios. Sempre.
Os nomes de pessoas, empresas, produtos e lugares são onde qualquer modelo de voz erra, na nuvem ou local. É uma passagem de dois minutos: procurar e substituir os quatro nomes que se repetem, e a transcrição passa de útil a publicável.
Se transcreve o mesmo tema com frequência, mantenha uma lista curta dos termos que ficam destruídos e de como devem ser escritos. Continua útil de projeto para projeto.
Onde encaixa na ingestão
A transcrição vai na ingestão, não na montagem. A razão é a mesma da etiquetagem: na ingestão está a conhecer o material de qualquer maneira, e depois da montagem não vai voltar.
Uma ordem que funciona:
- Copie o cartão, verifique.
- Analise: descrições e etiquetas de assunto para tudo, transcrições para tudo o que tem voz.
- Renomeie e arquive, usando ambas as coisas.
- Leia as transcrições. Planeie a peça.
- Abra o programa de montagem sabendo o que tem.
O passo quatro parece um luxo e revela-se a poupança de tempo. Montar vai muito mais depressa quando já sabe o que está no material.
Gravações de áudio, não só vídeo
Se grava áudio em separado, um lavalier, um microfone de sala, uma entrevista num gravador de mão, aplica-se o mesmo e o benefício é maior, porque um ficheiro de áudio não tem miniatura nenhuma. ZOOM0007.WAV é ainda mais opaco do que C0087.MP4.
Transcrever e descrever gravações transforma uma pasta de ficheiros numerados numa biblioteca. Organizar gravações de áudio cobre esse caso, incluindo os efeitos e o ambiente onde não há voz para transcrever.
Cliptag transcreve no equipamento no macOS como parte da passagem de ingestão: larga uma pasta e cada clipe falado e cada gravação volta com transcrição, exportável como TXT, DOCX, PDF ou SRT com códigos de tempo. A transcrição é guardada junto ao clipe para o Spotlight a indexar. Modo local em Apple Silicon gratuito e ilimitado.
