Como transcrever vídeo em texto: YouTube, Reels e TikTok (com timestamps, SRT e VTT)

A transcrição não sai num formato só, sai em três, e a escolha é pela tarefa, não "pra ter". O texto corrido em parágrafos serve para citação, post, descrição e rascunho de roteiro — ali o tempo não importa. A legenda com tempos é para o que vai pro player, pra edição ou pra plataforma: cada fala sabe quando começou e quando terminou.

O terceiro tipo são os timestamps de capítulos: o mesmo texto, só que com marcas tipo 00:00, 04:12, 11:38, que você cola na descrição de um vídeo longo pro público pular entre os blocos. É útil quando a transcrição já existe e o vídeo é comprido — aí você divide em trechos pra descrição ou pro corte.

O YouTube gera legenda automática do lado dele: reconhece o áudio e guarda o resultado, por isso aparece o botão de legenda embaixo do vídeo e a faixa de texto no estúdio do autor. Dá pra baixar isso se o autor não desativou e se a plataforma já teve tempo de gerar. Às vezes a legenda não está lá: vídeo recém-publicado, idioma não suportado ou o autor simplesmente não deixou o texto aparecer.

Reels e TikTok não têm essa faixa pronta. As plataformas mostram a legenda por cima do vídeo, mas isso é parte do player, não um arquivo. Ou seja: qualquer texto de um vídeo de terceiros ali você tem que tirar por conta — baixar o áudio e reconhecer de novo. A mesma regra vale pro vídeo de outra pessoa no YouTube quando a legenda está desativada.

A diferença é de fundo: a legenda automática da plataforma é ferramenta de terceiros — você não manda no idioma, nem na quebra, nem no capricho. O reconhecimento feito por você é resultado seu: dá pra conferir, corrigir e baixar no formato certo. Abaixo, como fica por plataforma.

A ordem é simples: primeiro veja se já tem legenda pronta e só depois, se não tiver ou se ela sair como caça-palavras, reconheça o áudio do zero. Assim você não refaz o que a plataforma já fez.

1. 1

   Copie o link do vídeo

   Pegue o endereço no navegador ou no app. youtu.be/X e watch?v=X&t=90 são o mesmo vídeo — o reconhecimento entende isso e não faz o trabalho duas vezes.

2. 2

   Cole o link no campo

   Abra o transcript e cole o link. Perfil ou canal no lugar do vídeo o campo recusa: não existe transcrição de canal, só de um vídeo. Arquivo da biblioteca também vale — vídeo ou áudio de até uma hora.

3. 3

   Veja o que apareceu

   Se o vídeo tem faixa de legenda, o texto aparece rápido e quase sem erro. Se não tem, entra o reconhecimento do áudio — do modelo próprio ao elo em nuvem, caso o primeiro não dê conta.

4. 4

   Baixe no formato certo

   Na tela: texto em parágrafos, ao lado o download de SRT e VTT e os botões de passar o texto pro roteiro ou o link pro corte. Os parágrafos vêm separados por linha em branco, então o texto já se lê.

5. 5

   Confira o encaixe numa pausa

   Role até um ponto onde o locutor respirou ou trocou de assunto. A fala tem que fechar na pausa, não no meio da palavra — se tudo quebra errado, dá pra reconhecer de novo.

Vale uma palavra sobre a quebra. As falas não são cortadas pelos pedaços do reconhecimento, e sim por palavra: a frase fecha no fim da sentença, numa pausa a partir de 0,8 s, em 84 caracteres (duas linhas de 42 — o teto do guia de legendas da Netflix) e em 6 segundos. Sem isso, de uma conversa de meia hora sairiam falas de meia linha, que piscam no player e ninguém lê.

Aqui não tem faixa pronta, então o caminho é um só: pegar o áudio e reconhecer. O link serve para vertical e horizontal — o tipo se resolve sozinho. Repare numa diferença que pega muita gente: numa entrevista de podcast horizontal, a fala vira texto em parágrafos corridos, com os tempos contados do minuto zero do vídeo; já num Reels recortado desse mesmo podcast, o reconhecimento dá só o trecho do clipe e os tempos começam do corte, não do início do original.

Com Reels rola uma história à parte: o link direto às vezes não vem, e aí a captura usa um fallback pela fonte do Instagram. Isso nem sempre funciona — conta privada ou mudança na marcação da página podem quebrar. Se o vídeo não puxar, baixe por uma exportação oficial ou pelo app e transcreva pelo arquivo: o resultado é o mesmo, só que a gravação você traz na mão.

1. 1

   Copie o link do Reels ou do TikTok

   Vale o link público normal, sem encurtador nem redirecionamento. Se o link leva ao perfil e não ao vídeo, o campo recusa.

2. 2

   Cole o link e rode o reconhecimento

   A captura do áudio tem um jeito próprio pra cada plataforma; dali pra frente é a mesma cadeia de reconhecimento do YouTube. O texto aparece em parágrafos e os tempos contam do início do clipe.

3. 3

   Se o link não vier, traga o arquivo

   Baixe o vídeo e suba na biblioteca. Entra vídeo ou áudio de até uma hora: do arquivo o áudio é extraído e reconhecido igual ao do link — basta ser fala audível.

4. 4

   Pegue o texto e decida o passo seguinte

   Do texto saem legendas pro mesmo vídeo, a citação pra legenda do post ou o corte em clipes — a gravação vertical já está pronta pra ser recortada pela fala.

É justamente pra esse caso que serve o Transcript: ele pega o link de qualquer uma das plataformas e devolve o texto em parágrafos, mais SRT e VTT. Esses mesmos tempos viram entrada pra hooks, legendas e clipes depois.

Os três carregam o mesmo texto; o que muda é o que vem anexado. TXT são parágrafos separados por linha em branco: material limpo pra citação, post, artigo, rascunho de roteiro. Tempo ali não tem nenhum, então pra legenda ele não serve.

SRT é o padrão de legenda: número da fala, tempo de início e fim, linha de texto, linha em branco, próxima fala. Editores, players, programas de legenda e a maioria das plataformas entendem. VTT é o parente do SRT do mundo web: mesma estrutura, mas com cabeçalho e marcas próprias, por isso é mais fácil de ligar a um player de site ou app.

Dentro de SRT e VTT as falas são cortadas por palavra, não pelos segmentos do reconhecimento: um segmento pode ter meio minuto, e uma legenda desse tamanho não se lê. Por isso a frase fecha no fim da sentença, na pausa, no limite de linha e nos 6 segundos no máximo. As duas linhas dividem perto do meio, com preferência pra quebra depois de pontuação — senão sobra uma palavra solta na segunda linha. Falas sobrepostas são aparadas: do contrário o player mostra duas legendas ao mesmo tempo e o texto pula.

O reconhecimento roda no modelo próprio do Kutto e não gasta saldo. Se o modelo próprio não der conta do vídeo, entra o elo em nuvem, e esse sim é contado no volume de IA do plano como "Textos IA". O transcript não tem linha separada no preço — não é cobrado por unidade. Os valores dos planos ficam na página de preços.

No tempo, depende do tamanho do vídeo e de onde vem o áudio. Um clipe curto reconhece bem mais rápido que uma entrevista de uma hora; baixar a gravação pelo link é um passo à parte que também leva o seu tempo. Não dá pra cravar segundos por minuto de gravação: isso varia com a fila e com qual modelo pegou a tarefa.

Repetir sai mais barato que a primeira vez. A transcrição fica guardada pela chave do vídeo, então rodar o mesmo link de novo vem do cache e não reprocessa nada. Pra arquivo, a chave é o próprio arquivo: mesmo arquivo, mesmo texto. Tarefa que caiu não entra no cache — essa dá pra reconhecer de novo. E o resultado também é um ponto de partida: dele saem legendas, hooks pelas primeiras frases, timestamps pra descrição e o corte em clipes.

Música mais alta que a voz, ruído, eco, gravação feita pela caixa de som — o modelo começa a inventar palavra onde não dá pra distinguir, e o texto vai ter que ser corrigido na mão. Quando duas pessoas falam ao mesmo tempo, as falas se misturam, e a marcação por locutor não sai sozinha: você tem que marcar à mão. Sotaque forte, termos raros, nomes e siglas também saem com erro com frequência — mais barato conferir na hora do que caçar depois na legenda pronta.

Checagem rápida, sem medir precisão: pegue o trecho com a fala mais rápida — os primeiros trinta segundos, onde o locutor emenda, respira e pula de assunto. Rode esse pedaço à parte e leia o texto em voz alta ao lado do player. Olhe não os erros de digitação, e sim os encaixes das frases: a fala tem que fechar numa pausa, não no meio da palavra.

• Nomes próprios, marcas e termos — confira pelo vídeo, não de memória
• Role os pontos onde duas vozes se sobrepõem: ali as falas vêm misturadas
• Números, datas e valores: escute com o ouvido, não leia com o olho — o reconhecimento troca "quinze" por "cinquenta"
• Veja se as falas não se sobrepõem — senão a legenda pula no player

Os três que mais quebram: nomes e marcas (confira olhando o vídeo), números (trocas de "quinze"/"cinquenta" são frequentes) e os trechos de começo e fim onde o locutor fala por cima da música — esses são os primeiros candidatos a conserto.

• Formato escolhido pela tarefa: TXT para citação e post, SRT ou VTT para legenda e edição, timestamps para descrição
• Nomes, termos e números conferidos com o vídeo, não de memória
• Encaixes das falas limpos: as frases fecham nas pausas e não há sobreposição
• Claro pra onde o texto vai: pro roteiro como material ou pro corte como clipes e legenda

O texto é só metade do serviço. Dele costuma sair o que vai pra plataforma: legenda por cima do vídeo, clipes de uma gravação longa ou capítulos pra descrição. O Kutto pega o link ou o arquivo e devolve a transcrição com tempos por palavra — o bastante pra cortar pela fala, e não no olho.