Transcrever Áudio com Timestamps (Marcas de Tempo) com IA: Guia 2026

Se já tiveste de procurar uma frase concreta numa gravação de duas horas, conheces o problema: texto sem tempos é texto desconfortável. Não consegues saltar ao minuto exato, não consegues citar com precisão, não consegues gerar legendas. Os timestamps resolvem tudo isso de uma vez.

Este guia explica o que são, que formato escolher, como se geram em 2026 com IA e que erros comuns evitar.

O que é um timestamp numa transcrição

Um timestamp (também chamado marca de tempo) é um valor que indica o momento do áudio em que uma palavra ou frase é dita. Costuma aparecer num destes formatos:

• HH:MM:SS — horas, minutos, segundos. O mais legível para humanos.
• HH:MM:SS,mmm ou HH:MM:SS.mmm — com milissegundos. Padrão SRT e VTT.
• segundos em valor decimal (83.42) — habitual em JSON e APIs.

Cada timestamp pode ser de início (start), de fim (end) ou ambos. Os formatos profissionais trazem sempre os dois: a legenda aparece em start e desaparece em end.

Para que servem os timestamps (casos reais)

1. Legendas sincronizadas

O caso mais óbvio: legendar vídeos do YouTube, cursos online, webinars, conteúdo social, acessibilidade. Sem timestamps, sem legendas. Formatos: SRT (universal) ou VTT (web HTML5).

2. Edição de vídeo e áudio

Os editores profissionais (Premiere, DaVinci Resolve, Final Cut) importam transcrições com timestamps para fazer edição baseada em texto: apagas uma palavra do transcript e o clip de vídeo é cortado sozinho. O Descript popularizou este fluxo e hoje é padrão.

3. Citações precisas em investigação, jornalismo e direito

Quando um jornalista cita "como o ministro declarou ao minuto 14:23 da conferência de imprensa…" ou um advogado refere "ver depoimento, áudio da testemunha, 00:42:18", essa precisão só é possível com timestamps. Investigadores qualitativos usam-nos para ancorar verbatims em gravações de entrevistas e focus groups.

4. Pesquisa e navegação dentro do áudio

Uma transcrição com timestamps transforma uma gravação de três horas numa pista navegável: procuras uma palavra-chave, vês a que minuto foi dita, saltas para lá. Essencial para podcasts longos, formações, arquivos de reuniões.

5. Capítulos automáticos para podcast e YouTube

O YouTube permite definir capítulos com marcas 00:05:30 Tema X na descrição. O Spotify e o Apple Podcasts suportam capítulos em alguns formatos. Gerá-los à mão é lento; com timestamps + análise IA do conteúdo obtêm-se em segundos.

6. Análise de falantes e participação

Combinando timestamps com diarização (separação de falantes) podes calcular quanto cada pessoa falou numa reunião, numa entrevista de RH ou num focus group. Útil para coaching comercial, equilíbrio de meetings, investigação.

Timestamps por segmento vs por palavra

Nem todos os timestamps têm a mesma granularidade. Há dois níveis e escolher o certo importa.

Regra prática: se só vais ler a transcrição ou gerar legendas clássicas, os timestamps por segmento chegam. Se vais fazer edição de vídeo baseada em texto ou captions animadas estilo TikTok, precisas de word-level.

Formatos de saída com timestamps

SRT (SubRip Subtitle)

O padrão universal de legendas. Compreendido pelo YouTube, Premiere, Final Cut, VLC, Handbrake, Netflix e praticamente qualquer player.

1
00:00:01,200 --> 00:00:04,800
Olá, bem-vindos ao podcast.

2
00:00:05,000 --> 00:00:09,500
Hoje falamos de timestamps em transcrições.

VTT (WebVTT)

Variante para HTML5 (tag <track>). Suporta posicionamento, estilos e metadados extra. Se o vídeo está embebido numa página web, VTT é o natural.

WEBVTT

00:00:01.200 --> 00:00:04.800
Olá, bem-vindos ao podcast.

00:00:05.000 --> 00:00:09.500
Hoje falamos de timestamps em transcrições.

JSON (estruturado)

Usado por APIs e automatizações. O Whisper devolve algo assim:

{
  "text": "Olá, bem-vindos ao podcast.",
  "segments": [
    {
      "id": 0,
      "start": 1.20,
      "end": 4.80,
      "text": "Olá, bem-vindos ao podcast."
    }
  ]
}

Texto simples com marcas [HH:MM:SS]

O mais cómodo para ler, citar e partilhar. Preferido por jornalistas, investigadores e equipas de atas.

[00:00:01] Olá, bem-vindos ao podcast.
[00:00:05] Hoje falamos de timestamps em transcrições.
[00:00:14] Primeiro ponto: diferença entre segmento e palavra.

TSV / CSV

Útil quando precisas de passar a transcrição para Excel, BigQuery ou uma análise tabular. Cada linha é um segmento com colunas start, end, text.

Como se geram timestamps em 2026

Há três caminhos:

1. Whisper diretamente (OpenAI ou local). Tanto a API da OpenAI como as versões open-source (whisper.cpp, faster-whisper) devolvem timestamps por segmento por defeito e por palavra ativando word_timestamps=True. É a base técnica que usa a maioria das ferramentas modernas.
2. Ferramentas SaaS sobre Whisper ou semelhantes. VOCAP, Otter, Descript, Riverside, etc. Processam o áudio com Whisper ou motores próprios e expõem os timestamps na sua interface, com exportação em SRT/VTT/JSON sem ter de tocar em código.
3. Manual com software de legendagem. Aegisub, Subtitle Edit, Kapwing. Permitem marcar timestamps à mão sobre uma transcrição já feita. Útil para correções finas, não para volume.

Passo a passo: transcrever com timestamps no VOCAP

1. Carrega o ficheiro. MP3, WAV, M4A, MP4, OGG ou FLAC, até 150 MB. Se pesar mais, comprime para 64 kbps mono (é o que o motor processa internamente; não perdes qualidade de transcrição).
2. Espera pelo processamento. Uma hora de áudio demora entre 2 e 8 minutos consoante o idioma e a fila. Áudios longos (1-3 h) vão por processamento assíncrono e recebes notificação no fim.
3. Revê a transcrição. Na vista web verás o texto com marcas [HH:MM:SS] no início de cada bloco, mais resumo executivo, pontos-chave, tarefas e decisões gerados pelo Claude.
4. Exporta no formato que precisares. Texto com timestamps para citar, SRT/VTT para legendas, JSON para automatizar (Zapier, Make, n8n).
5. Corrige nomes próprios e números. É onde os modelos mais falham. Uma passagem de 2-3 minutos por hora de áudio basta para chegar aos 99 %.

Precisão típica e limites

Com áudio limpo (um único falante, microfone decente, sem ruído) a precisão típica do Whisper em 2026 é:

• Texto: 95-98 % em português europeu, brasileiro e nas principais línguas.
• Timestamps por segmento: ±0,5 a ±2 segundos.
• Timestamps por palavra: ±100 a ±300 ms com boa articulação.

Onde a precisão cai:

• Áudio com eco, ruído de fundo ou várias vozes sobrepostas.
• Sotaques muito marcados ou dialetos minoritários.
• Música ou efeitos sonoros que o modelo tenta interpretar como fala.
• Silêncios longos: por vezes o modelo "alucina" texto onde não há.
• Mudanças bruscas de falante a meio de uma palavra.

Erros comuns a evitar

• Pedir word-level quando só precisas de segmentos. Triplica o tamanho do ficheiro e raramente acrescenta valor para legendas clássicas.
• Misturar separadores decimais. SRT usa vírgula (00:00:01,200), VTT usa ponto (00:00:01.200). Confundi-los parte o parser.
• Não verificar a sincronia. Os timestamps automáticos são bons, não perfeitos. Verifica em 3-4 pontos do áudio antes de publicar legendas.
• Legendas demasiado longas. Mais de 42 caracteres por linha ou mais de 7 segundos por bloco prejudicam a leitura. Divide.
• Esquecer o idioma. Especificar o idioma (em vez de o deixar em automático) acelera o processo e melhora ligeiramente a precisão, sobretudo em áudios curtos.
• Legendar sem rever os nomes próprios. "VOCAP" pode sair como "vocap", "Bocap" ou "Vokap". O mesmo para marcas, cidades e siglas.
• Confiar 100 % nos silêncios. Se o modelo não detetar bem os silêncios, os timestamps de início podem adiantar-se 200-500 ms. Olha para os primeiros 30 segundos manualmente.

Perguntas frequentes