Start free

Transcrebe vídeos MP4 a texto.Audio extraído automaticamente.

Bota o ficheiro MP4 tal cal — extraemos a pista de audio no servidor, devolvemos un transcrito con marcas de tempo e enviamos un SRT que vai directamente a YouTube, Vimeo ou o teu NLE.

Solta o teu audio ou vídeo

MP3 · WAV · M4A · MP4 · MOV · MKV · OGG · OPUS · FLAC · WEBM — up to 100 MB anonymously

Paste a link, we’ll fetch the audio

YouTube · TikTok · Vimeo · Twitter · SoundCloud · Spotify · 50+ more

Grava directamente desde o navegador

O rexistro lévache 30 segundos — a gravaciónel.

No card required~90s per 60-min fileSRT · VTT · DOCX · TXTOs ficheiros bórranse en 24 h

↓ Mira que sae

MP4 dentro. Transcrito + SRT fora.

MP4 é un contedor — lemos o fluxo de audio directamente, nunca recodificamos o vídeo. As marcas de tempo manténense precisas respecto á túa liña de tempo orixinal, polo que o SRT se aliña na primeira importación.

training-module-04.mp4REC 1080p · 22:14 · 412 MB
auto-detected en-USAAC 48 kHz stereo · 192 kbps
~90s
Transcrito · transmisión95% de precisión
S1

Ben, neste módulo vamos percorrer o fluxo de devolucións de principio a fin.

S2

Pregunta rápida antes de comezar — isto aplica tamén ás devolucións parciais?

S1

Boa observación. As parciais usan a mesma pantalla pero un código de razón diferente.

S2

Entendido. E o limiar de aprobación segue sendo douscentos dólares?

95% en diálogo limpoSRT · VTT · DOCX · TXT · JSON

↓ This is the dashboard

This is what loads when the job finishes.

Same layout as the real dashboard — Summary, full Transcript, Speakers tab, Exports. Key points and action items extracted automatically. Auto-tags on every job.

Try it on your own file — it's free

Tres opcións reais · comparación honesta

Fai ti mesmo con ffmpeg. Un editor de vídeo. Ou nós.

Podes extraer o audio ti mesmo e executar Whisper. Podes arrastar o MP4 a Descript ou VEED e vivir dentro do seu editor. Ou podes largar o ficheiro aquí e obter o transcrito + SRT, sen bloqueo de editor.

Option 01

ffmpeg + Whisper

Gratis, local, complicado. Ti és o dono do pipeline e de cada erro nel.

RequireCLI + 10 GB model + GPU
Diarización de falanteFerramenta separada (pyannote)
Saída SRTSí, marcador manual
Tempo nun MP4 de 1 hora20–90 min en CPU
Audio multitrazoTi escolles o fluxo
Custo$0 + o teu hardware
Best forEnxeñeiros que xa executan Whisper localmente e non lles importa unir diarización enriba.
Option 02

Transcription.Solutions

Bota o MP4. Extracción de audio, diarización, SRT, resumo — só unha pasada.

RequireNavegador, iso é todo
Diarización de falanteIncorporada, en cada traballo
Saída SRTAliñado con fotograma á orixe
Tempo nun MP4 de 1 hora~4 min, transmitido
Audio multitrazoListamos todos os fluxos
Custo · por minuto$0.03
Best forCalquera persoa con un MP4 que queira o texto e o SRT sen aprender un editor de vídeo ou un CLI.
Option 03

Descript / VEED

Carga o MP4 no editor. O transcrito aparece como parte da UI da liña de tempo.

RequireConta + curva de aprendizaxe do editor
Diarización de falanteSí, axustado a EN
Saída SRTExportación limitada polo plan
Límite de carga5 GB (Descript free)
Audio multitrazoSó a primeira pista
Custo$12–24/usuario/mes
Best forEditores que queren cortar o vídeo e o transcrito na mesma ferramenta.

Prezos e límites característicos aproximados a partir de 2026. Os nomes das capas de Descript e VEED cambian frecuentemente — consulta o seu sitio para os límites actuais.

Específico para MP4

Tres cousas que morden ás persoas nas ferramentas de transcrición xenéricas.

MP4 é un contedor, non un códec — e a maioría das ferramentas de transcrición trátano como un grande blob de audio. De aí veñen os fallos.

Que sae mal

  1. 1MP4 multitrazo con boom + solapa. As ferramentas xenéricas agarran a pista 1 e ignoran o resto, polo que pierdes o micrófono máis limpo. Común nas exportacións de FCP e Premiere.
  2. 2Música de fondo en vlogs e anuncios acionan palabras fantasma. O recoñecedor intenta transcribir os vocais no lito de música.
  3. 3As marcas de tempo SRT derivan cando a ferramenta recodifica o vídeo na entrada. No minuto 40 os subtítulos están un segundo desxustados.

Que cambiar aquí

  1. 1Carga — nós sondamos cada fluxo de audio e deixámoste escoller cal transcribe. O predeterminado é a pista de maior taxa de bits.
  2. 2Activa a supresión de música no formulario de traballo. Controlamos o recoñecedor co VAD de fala de forma que as seccións instrumentais permanecen baleiras.
  3. 3Nós nunca recodificamos vídeo. O audio extráese na taxa de mostraxe nativa, as marcas de tempo fan referencia á lista de edición do contedor — o SRT se aliña con precisión de fotograma.

Configuración recomendada de traballo para MP4

Bota un MP4 e estes acenden por defecto. Anula por traballo desde o formulario.

Extracción de audio
Taxa de mostraxe nativa, sen recodificación
Selección de pista
Fluxo de maior taxa de bits
Diarización
Acústica · 1-6 falantes
Supresión de música
Activado para predefinicións de vlog/anuncio
Formato SRT
≤42 chars/liña, 2 liñas máx
Exportación
SRT · VTT · DOCX · TXT con marcas de tempo

Accuracy · real-world numbers

95% nunha toma limpa. Números honestos cando o audio se resiste.

A precisión de MP4 está establecida polo micrófono, non polo códec. Un micrófono de solapa nun conxunto silencioso bate a unha cámara 4K con audio a bordo sempre. Os números de abaixo proceden de MP4s reais de clientes, ordenados pola forma en que se capturaba o audio.

96%+
Toma de estudio, micrófono de solapa ou escopeta

Micrófono de solapa ou pluma nun gravador, 48 kHz AAC a 192+ kbps, sala tratada. O caso límite. As etiquetas de falante acértnao nunha toma de dúas persoas.

93%
DSLR con escopeta en cámara

Micrófono na parte superior da cámara a 2-4 pés do falante. Algo de ton de sala pero a fala é intelixible. A maioría do contido de creadores de YouTube cae aquí.

89%
Gravación de pantalla con micrófono USB

Exportacións de OBS, Loom, Camtasia. O micrófono está preto pero a sala non está tratada, a miúdo con fugas de audio do sistema. Moi bó para transcritos de titoriais.

84%
Vlog gravado con teléfono, micrófono interno

Micrófono de teléfono incorporado, ruído de vento ou manexo, a distancia varía de toma a toma. Palabras utilizables, espera 1-2 arranxos por minuto nos nomes propios.

Preguntas comúns

8 cousas que a xente pregunta sobre transcrición de MP4.

01Recodificas o meu vídeo?+
Non. Só lemos o fluxo de audio fora do contedor MP4. O fluxo de v��deo nunca se toca, nunca se recodifica e nunca se almacena despois de que o traballo remata — mantiñas o teu ficheiro orixinal sen cambios.
02Que códecs dentro do MP4 están soportados?+
H.264 + AAC estándar é o caso doado. Tamén xestionamos HEVC/H.265, ProRes-in-MP4, e audio en MP3, Opus, ALAC ou PCM. Se ffmpeg pode sondalo, podemos transcribilo.
03Cal é o límite de tamaño de ficheiro?+
10 GB por carga no cargador web, 50 GB a través da API con fragmentos reanudables. Un MP4 típico de 1 hora e 1080p é de 1-3 GB polo que a maioría dos ficheiros caben no camiño web sen pensalo.
04O SRT alineárase co meu vídeo orixinal?+
Sí — as marcas de tempo fan referencia á lista de edición de MP4 e á taxa de mostraxe nativa. Non recodificamos, polo que non hai desvío. Bota o SRT xunto ao MP4 en calquera reprodutor ou NLE e os subtítulos síncronizan na primeira carga.
05Podo queimar os subtítulos no vídeo?+
Non da nosa banda — sacamos o SRT e deixamos o queimado ao teu editor. ffmpeg one-liner, HandBrake, Premiere, DaVinci, Kapwing aceptan o SRT que producimos. Non queremos ser tamén a ferramenta de codificación.
06Que tal MOV, MKV, M4V, WebM?+
Todos soportados a través da mesma canalización. Especialmente MOV — mesma familia MPEG-4, ruta de extracción idéntica. MKV con múltiples pistas de audio obtén a mesma UI de selecionador de fluxo que un MP4 multitrazo.
07Podo simplemente enviar un URL de YouTube ou Vimeo?+
Sí para YouTube — pega un URL público na pantalla de carga e buscamos o audio directamente, sen necesidade de descarga de MP4. Vimeo require un ficheiro directo ou unha ligazón de descarga asinada porque o seu reprodutor controla o fluxo.
08Que pasa se non hai diálogo falado, só música ou B-roll?+
VAD detecta seccións silenciosas e só música e saltalas, polo que non pagas pola gravación ambiental. O transcrito marca esos rangos como `[music]` ou `[no speech]` en lugar de inventar palabras.

Bota o teu MP4. Obtén o transcrito e SRT de volta.

30 minutos gratis cada mes. Sen tarxeta. Audio extraído no servidor, etiquetas de falante, SRT preciso de fotograma — todo incluído.

Comeza gratis