Start free

Transcribe arquivos WAV con etiquetas de orador.Calidade sen perdas.

Solta un gravación WAV directamente do teu equipo de campo, bounce DAW ou kit de entrevista. Mantemos o espazo de 24 bits intacto, executamos diarización no PCM bruto e devolvemos un transcript con marca de tempo e SRT en minutos.

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

PCM bruto dentro. Transcript limpo fóra.

WAV sen perdas significa que cada fricativa, plosiva e palabra inchaniza sobrevive intacta — sen borrón MP3 nas consonantes. Se o arquivo é multisona (un orador por canal), saltamos completamente a diarización acústica e dividimos no layout do canal.

WAV · 48 kHz / 24-bitREC 2 pistas · 1h 12m · 743 MB
auto-detectada en-GBPCM estéreo · sen comprimir
~90s
Transcript · en fluxo97% de precisión
S1

Lévame de volta a aquela mañá de setenta e oito — a que hora chegou a chamada?

S2

Cuarto para as cinco, máis ou menos. A tetera estava no lume, lembro isto.

S1

E de aí foste directo cara ao porto?

S2

Directo á astilleira. As luces seguían acesas cando cheguei.

97% en WAV por pistaSRT · 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

Adobe Audition. Descript. O nós.

O Speech to Text de Audition está incluído en Creative Cloud e permanece dentro da liña de tempo. Descript importa o WAV ao seu propio editor. Tomamos o arquivo tal cal está, devolvemos exportacións estándar e non te pedimos que muevas o teu proxecto a ningures.

Option 01

Adobe Audition / Premiere

Panel de transcript dentro da liña de tempo de Adobe. Vinculado a Creative Cloud e ao arquivo de proxecto.

RequireSubscripción Creative Cloud
Diarización de oradorSi, só combinado
WAV multisonaAplanado antes de STT
ExportaciónSRT · CSV · XML
Idiomas18, selección manual
Custo~$23/mes (aplicación única)
Best forEditores que xa están a cortar en Premiere ou Audition e que queren rótulos cosidos á liña de tempo.
Option 02

Transcription.Solutions

Solta o WAV. Diarización por canal se é multisona. Orixe eliminada en 24h.

RequireNada — só o arquivo
Diarización de oradorPor pista ou acústica
WAV multisonaAta 16 canais
ExportaciónSRT · VTT · DOCX · TXT · JSON
Idiomas99, auto-detectados
Custo · por min$0.03
Best forCalquera que teña un WAV bruto — gravadores de campo, podcasters que fan bounce dende un DAW, arquivadores de historia oral, investigadores.
Option 03

Descript

Importa o teu WAV ao editor de Descript. Potente, pero tes que traballar dentro del.

RequireConta Descript + importación
Diarización de oradorAcústica, afinada para EN
WAV multisonaImportar como clips separados
ExportaciónTXT · SRT · DOCX
Idiomas23, a precisión varía
Custo$16–24/usuario/mes
Best forEditores de podcasts que queren editar o audio editando o transcript — o verdadeiro superpodere de Descript.

Prezos exactos a partir de 2026. Os indicadores de funcionalidades de Adobe e Descript cambian frecuentemente; comproba a documentación actual antes de comprometerte.

Específico de WAV

Tres cousas que morden a xente en ferramentas de transcrición xenéricas.

A maioría dos cargadores reducen a mostraxe do teu WAV antes de amoxarllo a un recoñecedor. Nós non.

O que sae mal

  1. 1WAV multisona aplánase. Unha gravación de 4 canais dun gravador Sound Devices MixPre mézclase a mono antes do STT. A separación por micrófono pola que pagaches descarítase.
  2. 2WAVs de 32-bit float de Zoom F-series ou MixPre recházanse por completo, ou recórtanse a 16-bit e perden a recuperación de espazo.
  3. 3Entrevistas de 96 kHz / 24-bit tardan unha eternidade en cargarse porque a ferramenta re-codifica a MP3 no navegador antes de enviar.

Que cambiarmos aquí

  1. 1Carga o WAV multisona tal cal está (ata 16 canais). Lemos o layout do canal do encabezado WAV e asignamos un orador por pista — sen adiviñanzas acústicas.
  2. 2O 32-bit float acéptase nativamente. Preservamos o espazo de float ao normalizar para o recoñecedor, así que os picos de 0 dBFS ou máis non se cortan.
  3. 3Carga binaria directa, sen transcodificación no navegador. Un WAV de 2 GB móvese ao teu ancho de banda completo e comeza o procesamento no momento en que chega o último byte.

Axustes recomendados para trabaxos WAV

Solta un WAV e estes actívanse por defecto. Anula por traballo dende o formulario.

Taxa de mostraxe
Nativa (sen redución de mostraxe)
Profundidade de bits
24-bit / 32-float preservados
Diarización
Por canal se multisona
Modelo de orador
Entrevista · 2-8 oradores
Palabras de enchedura
Gardadas (desactiva se é necesario)
Exportación
DOCX · SRT · TXT con marca de tempo

Accuracy · real-world numbers

97%+ en WAV por pista. WAV proporciona ao recoñecedor o sinal máis limpo posible.

Debido a que WAV almacena PCM bruto sen compresión perceptual, as consonantes e fricativas non se bollen do xeito en que MP3 as bolla. O recoñecedor escoita o que escoitou o micrófono. Os números abaixo veñen de trabaxos WAV reais de clientes en produción.

98%
WAV de estudio · un único orador

48 kHz / 24-bit, micrófono de diafragma grande, sala tratada. Narración, audiobook, bookings de voice-over chegan aquí.

96%
WAV de entrevista multisona

Un canal por orador (lavs ou micrófonos de límite). A diarización é só encaminamento de canais — erro só de texto.

92%
Gravador de campo portátil

Zoom H5, Tascam DR-40, similar. Captación estéreo XY, 2-3 oradores, algo de reflexión de sala. A maioría dos WAVs de podcasts chegan aquí.

85%
WAV de campo con ruído

Exterior, café, vehículo. A captura sen perdas axuda — o ruído é real, non artefacto de códec — pero a precisión segue caíndo en solapamento de voces.

Preguntas comúns

8 cousas que a xente pregunta sobre a transcrición WAV.

01Cal é o tamaño máximo de arquivo WAV?+
5 GB por arquivo no plan estándar, o que é aproximadamente 8 horas de estéreo 48 kHz / 24-bit, ou 2,5 horas de 96 kHz / 24-bit. Os arquivos máis grandes están ben no plan de equipo — só contacta con nós antes da carga.
02¿Compatibiliza con WAV de 32-bit float de Zoom F-series ou MixPre?+
Si, nativamente. Lemos as mostras de float sen corte a 0 dBFS, así que os transitorios altos que planeabas rebaixar en post transcrébense limpiamente. A maioría dos cargadores xenéricos baixan silenciosamente a 16-bit primeiro.
03Teño un WAV de 4 canais dun gravador de campo — un micrófono por persoa. ¿Usará a diarización iso?+
Usara. Carga o WAV polifónico directamente (non fagas bounce a estéreo primeiro). Analizamos o layout do canal do encabezado WAV e asignamos un orador por pista — moito máis confiable que a diarización acústica en voces similares.
04¿Reduzaches a mostraxe do meu WAV de 96 kHz?+
O recoñecedor funciona a 16 kHz internamente — ese é o teto da intelixibilidade da fala humana. Pero mantemos o teu arquivo orixinal intacto e usámolo para calquera pos-procesamento como gate de ruído. Os teus exportacións fan referencia á liña de tempo orixinal.
05¿É WAV realmente máis preciso que MP3 para a transcrición?+
Marxinalmente, si — normalmente 1-2 puntos de WER en discurso limpo. A maior brecha móstrase en fricativas e pasaxes tranquilas, onde a compresión psicoacústica de MP3 descarta información que o recoñecedor tería usado. Para traballo de arquivo ou forense, WAV é a opción correcta.
06¿Presérvanse os metadatos BWF e o timecode?+
Lemos elementos BWF (bext, iXML) e usamos o timecode de inicio para alinear o transcript á liña de tempo da túa sesión. O WAV orixinal nunca se modifica — traballamos nunha copia que se elimina en 24h.
07¿Podo soltar unha carpeta de arquivos WAV dun export de sesión DAW?+
Si. A carga en lote acepta ata 50 arquivos á vez. Cada WAV obtén o seu propio traballo e transcript. Se son stems dunha sesión, tamén podes mergalos nun único WAV multisona antes da carga e diarízaremos por canal.
08¿Canto tarda realmente un WAV estéreo de 1 hora?+
A carga é a parte máis lenta — un WAV estéreo de 1 hora de 48 kHz / 24-bit é de aproximadamente 600 MB e tarda 2-5 minutos en banda ancha típica. Unha vez cargado, a transcrición en si funciona en aproximadamente 4-6 minutos na cola estándar.

Solta o teu WAV. Garda a calidade sen perdas. Mira que sae.

30 minutos gratis todos os meses. Sen tarxeta. Diarización por pista, 32-bit float compatible, audio de orixe eliminado en 24h.

Comeza gratis