Resumo rápido
O macOS não transcreve um arquivo de vídeo por conta própria. O que ele faz, sem precisar instalar nada, é exportar a trilha de áudio do vídeo usando o QuickTime Player, o que deixa você com um arquivo muito menor para trabalhar. O recurso de ditado embutido escreve o que o microfone ouve enquanto você fala, em tempo real, então não é a ferramenta certa para uma gravação que já existe. A transcrição é uma etapa separada, e é a mesma etapa não importa qual computador você use.
Você tem um vídeo salvo no seu Mac. Pode ser a gravação de tela de uma reunião, uma aula que alguém te mandou, um trecho que você guardou. Você quer o texto dessa fala. E prefere não criar conta em uma empresa que nunca ouviu falar só para conseguir isso.
A tarefa se divide claramente em duas partes. Primeiro, extrair um áudio limpo do vídeo. Segundo, transformar esse áudio em texto. A primeira metade seu Mac já faz, agora mesmo, com programas que já estão na máquina. A segunda ele não faz, e nenhuma busca nas Configurações do Sistema vai mudar isso. Saber onde está essa fronteira evita que você perca uma tarde inteira procurando um menu que não existe.
O que o macOS já faz
O QuickTime Player vem instalado em todo Mac. Ele reproduz vídeo, grava a tela e consegue exportar o áudio de um arquivo de vídeo. Esse último recurso é o que interessa aqui, e muitas vezes é o único passo necessário antes de entregar o arquivo para outra ferramenta.
O macOS também tem o ditado, que transforma fala em texto enquanto você fala. O Memos de Voz também está ali, e ele sincroniza com o mesmo aplicativo no iPhone via iCloud. Juntando os três, você consegue capturar som, guardar e digitar com a voz.
Nenhum deles vai ler um arquivo de vídeo já existente e devolver uma transcrição. Vale deixar isso bem claro, porque as ferramentas ficam tão próximas umas das outras que parece que o recurso deveria estar escondido em algum lugar. Não está. O Mac é bom em produzir gravações e ruim em converter essas gravações em texto.
Extraia o áudio primeiro
Um arquivo de vídeo é um contêiner. Ele carrega imagem e carrega uma trilha de áudio, e a transcrição só usa o áudio. O vídeo, para essa finalidade, é peso morto.
Então exporte o áudio antes de fazer qualquer outra coisa. O QuickTime Player faz isso, o que significa que o primeiro passo não custa nada e não exige instalar nada. O resultado é um arquivo bem menor do que o vídeo original — às vezes dramaticamente menor, dependendo do que era o vídeo.
Essa diferença de tamanho deixa de ser abstrata no momento em que a gravação é longa. Uma aula de duas horas em vídeo é algo incômodo de mover, enviar ou manter em várias cópias enquanto você decide qual ferramenta vai usar. As mesmas duas horas em áudio são um arquivo modesto, fácil de lidar sem pensar muito. Se você tem uma pasta cheia de gravações para processar, extrair o áudio primeiro é a diferença entre resolver isso numa noite ou perder o fim de semana inteiro.
A extração também resolve uma dúvida comum: se você precisa de algo que lide especificamente com a conversão de vídeo em texto, ou se uma transcrição de áudio simples já basta. Depois que o áudio se torna um arquivo separado, essa distinção deixa de importar. Qualquer ferramenta de transcrição que aceite áudio vai aceitar o seu arquivo.
Ditado é uma tarefa diferente
Ditado e transcrição são usados como se fossem a mesma coisa. Não são, e essa diferença é exatamente o que está entre você e a transcrição que você quer.
O ditado escuta um microfone e escreve o que ouve, em tempo real, no momento em que acontece. Você fala, o texto aparece. É um método de digitação. A transcrição parte de uma gravação que já existe — algo que terminou de acontecer há uma hora ou há um ano — e produz texto a partir dela. Um é um dispositivo de entrada, o outro é uma conversão.
Dá para tentar contornar isso reproduzindo o vídeo em voz alta e deixando o ditado escutar pelas caixas de som. As pessoas fazem isso. Funciona mal. Você está pedindo para um microfone regravar um som que já foi gravado uma vez, dentro de um ambiente, com a acústica que esse ambiente tiver, e ainda precisa acompanhar a duração inteira enquanto isso acontece. Uma hora de vídeo custa uma hora do seu tempo. Para qualquer coisa além de um trecho curto, isso não é uma opção séria. Há mais a dizer sobre conversão de fala em texto no Mac e sobre onde o caminho nativo acaba, mas resumindo: o ditado nunca foi feito para lidar com arquivos.
Quando você ainda não tem o arquivo
Tudo o que foi dito até aqui parte do princípio de que o vídeo já está salvo no seu disco. Às vezes não está. O conteúdo do qual você quer o texto é uma chamada em andamento, ou um vídeo tocando numa aba do navegador, e não há nada para extrair porque nada foi salvo ainda.
É aqui que o Mac coloca o verdadeiro obstáculo. Capturar o próprio áudio do sistema do Mac — o som que sai da máquina, e não o que entra pelo microfone — não é algo que o macOS exponha por padrão. A gravação de tela pega a imagem. Conseguir o som que acompanhava essa imagem é um problema separado, e é o passo que mais frequentemente trava as pessoas. Se você já acabou com a gravação silenciosa de uma reunião e não conseguiu entender o que fez de errado, foi isso que aconteceu. Você não fez nada de errado.
Existem formas de contornar isso, e vale a pena entendê-las antes de precisar delas, e não cinco minutos depois de começar uma chamada que você não pode repetir. Os detalhes de como gravar a tela do Mac com áudio são um assunto próprio. O que importa aqui é que se trata de um problema de captura, não de transcrição, e resolvê-lo te devolve ao caso comum: um arquivo salvo no disco.
Um caminho evita o problema por completo. O Memos de Voz no Mac compartilha gravações com o mesmo aplicativo no iPhone via iCloud, então qualquer coisa gravada no celular aparece no Mac sem precisar mandar o arquivo por e-mail para si mesmo ou procurar um cabo. Para uma conversa presencial, ou uma palestra que você está assistindo, gravar pelo celular e recolher o arquivo no computador dá muito menos trabalho do que enfrentar a questão do áudio do sistema. Claro que isso não resolve nada para o som que o próprio Mac está reproduzindo.
Transformando o áudio em texto
Uma vez que o áudio existe como arquivo, nenhuma das decisões anteriores importa mais. A transcrição não se importa se o arquivo veio de um vídeo, de um celular, de uma gravação de tela ou de algo que um colega te mandou. Não importa se você está num Mac. A partir daqui é a mesma tarefa que seria em qualquer máquina, o que significa que sua escolha se reduz à ferramenta de transcrição, e nada mais.
É também o ponto em que a preferência por evitar cadastros bate de frente com a realidade, então vou ser direto sobre isso. Qualquer coisa que funcione inteiramente dentro do navegador pode prometer que seu arquivo nunca sai da máquina, e algumas ferramentas realmente funcionam assim. Mas ferramentas de navegador desse tipo costumam lidar com coisas como arquivos de legenda e contagem de texto — texto que já é texto. O reconhecimento de fala de verdade, numa gravação de duas horas, é um trabalho muito mais pesado, e as ferramentas que fazem isso geralmente exigem um aplicativo instalado ou que seu arquivo passe pelos servidores delas. Seja qual for a sua escolha, essa é a pergunta certa a fazer, e a resposta deveria ser fácil de encontrar.
O SozAI é uma opção: um aplicativo de transcrição para macOS que lida com arquivos de áudio e vídeo, gravações e links do YouTube, com identificação de quem fala, resumos e tradução em mais de 99 idiomas. O mesmo site oferece ferramentas gratuitas de legenda e contagem que funcionam inteiramente no navegador, sem envio de arquivo e sem cadastro — elas não transcrevem áudio, mas são úteis depois que você já tem uma transcrição para trabalhar.
O que a transcrição não vai fazer por você
Peça marcações de tempo se o objetivo é voltar a um momento específico. Uma transcrição sem elas é uma parede de texto onde você consegue pesquisar — vai achar a frase — mas achar a frase não é o mesmo que achar o ponto exato do vídeo em que ela foi dita. Se você está transcrevendo uma aula para poder pular direto para os dez minutos que interessam, as marcações de tempo são o recurso principal. Se você está transcrevendo só para ler uma vez e nunca mais abrir o vídeo, elas só poluem a página. Decida qual dos dois casos é o seu antes de começar, porque adicionar isso depois significa fazer o trabalho duas vezes.
Espere que o texto reflita a qualidade da gravação de origem. O reconhecimento de fala trabalha com o que foi de fato capturado, e uma gravação feita à distância, com pessoas falando ao mesmo tempo, dá muito menos material de qualidade do que uma gravação limpa. Extrair o áudio do vídeo não melhora esse áudio; apenas isola o que já estava ali. Se o som de origem for ruim, você vai acabar editando a transcrição, e nenhum passo anterior neste processo resolve isso.
E aceite que parte do vídeo simplesmente não sobrevive à viagem. Slides, diagramas, qualquer coisa escrita num quadro, quem estava apontando para o quê — tudo isso se perde, porque você descartou a imagem de propósito para ficar com um arquivo mais fácil de manejar. Para uma conversa, isso não perde nada. Para uma demonstração ou apresentação, a transcrição é só metade do registro, e você vai querer manter o vídeo original ao lado dela.
