Como obter a transcrição de um vídeo do YouTube: converter vídeo em texto com ou sem legendas

Quer transformar um vídeo do YouTube em texto? O caminho muda conforme o vídeo tenha ou não uma trilha de legendas: com legendas ocultas (CC), você copia o texto de graça pela transcrição nativa do YouTube (botão Mostrar transcrição); sem legendas, use reconhecimento de fala com IA para gerar a transcrição a partir do áudio. Este guia serve para estudantes que organizam anotações de curso, profissionais de marketing que reescrevem entrevistas em artigos e criadores que precisam de arquivos de legenda.

Checagem rápida: o vídeo tem legendas (CC)?

Abra o vídeo no navegador do computador, expanda a descrição abaixo do título e role até o fim. Se aparecer o botão Mostrar transcrição, o vídeo tem trilha de legendas.

No caminho sem legendas, este guia demonstra com o Taption; outras ferramentas de reconhecimento de fala seguem o mesmo princípio.

Por que alguns vídeos não têm esse botão? Segundo a página oficial de ajuda do YouTube sobre legendas automáticas, motivos comuns incluem: o áudio ainda está sendo processado; o idioma não é compatível com legendas automáticas; o vídeo é longo demais; a qualidade do áudio é ruim ou o YouTube não reconhece a fala; há um silêncio longo no início; ou várias pessoas falam ao mesmo tempo ou há vários idiomas ao mesmo tempo.

Método 1: copiar de graça a transcrição nativa do YouTube

Se o vídeo tem legendas, você pode abrir a transcrição seguindo as instruções oficiais do YouTube. Os passos abaixo mostram como selecionar e copiar o texto manualmente em um navegador no computador; não se trata de um recurso do YouTube para baixar arquivos de legenda.

• Passo 1: Abra o vídeo do YouTube no navegador do computador e clique em ...mais no fim da caixa de descrição abaixo do título para expandir a descrição completa.
• Passo 2: Role até a seção Transcrição no final da descrição e clique em Mostrar transcrição.
• Passo 3: Um painel de Transcrição abre à direita do player (ou abaixo dele). Clique em qualquer linha para pular para aquele momento do vídeo.
• Passo 4: Clique em ⋮ no canto superior direito do painel e escolha Alternar carimbos de data/hora para manter ou ocultar as marcações de tempo.
• Passo 5: Primeiro, pause o vídeo para que a rolagem automática da transcrição não atrapalhe a seleção. Selecione com o mouse o texto desejado e pressione Ctrl + C (Cmd + C no Mac). Cole em um editor de texto e confira se tanto o início quanto o final foram copiados. Se a transcrição for longa, copie por partes.

A imagem ilustra a interface em inglês; não é o registro de um teste com um vídeo real. ...more expande a descrição, Show transcript exibe a transcrição e Toggle timestamps alterna a exibição das marcações de tempo. Pause o vídeo antes de copiar.

Esse método tem três limitações:

• Não dá para copiar no app mobile: No app do YouTube, você pode tocar em uma linha da transcrição para pular até ela, mas por enquanto não consegue selecionar e copiar o texto diretamente. No celular, abra youtube.com no navegador e mude para a versão para computador.
• Players incorporados não mostram a opção: Um player do YouTube incorporado em outro site não exibe a caixa de descrição; volte à página original do YouTube para abrir a transcrição.
• Espectadores não baixam o arquivo de legendas: O YouTube não oferece aos espectadores um botão para baixar arquivos de legenda. Donos de canal podem baixar as legendas dos próprios vídeos no YouTube Studio; veja a página de ajuda sobre editar ou baixar legendas no YouTube Studio.

Transformar legendas fragmentadas em parágrafos legíveis

As legendas automáticas vêm em fragmentos curtos, linha a linha. Em geral há pouca pontuação, nomes próprios em inglês em minúsculas e quase nunca indicação de quem fala. Em vídeos em chinês, as legendas também podem aparecer em caracteres simplificados ou com vocabulário que não é o usado em Taiwan — o que importa se você precisa do texto em chinês tradicional de Taiwan.

Abaixo, um exemplo ilustrativo. Esta breve pergunta e resposta entre apresentador e locutor foi escrita só para mostrar diferenças de formato; não é a saída de um vídeo real, e os exemplos de TXT e SRT mais adiante reutilizam o mesmo conteúdo. As legendas copiadas ficam mais ou menos assim:

Se você só pedir ao ChatGPT, Claude ou Gemini para “organizar esta transcrição”, o modelo provavelmente escreve um resumo. Para manter o conteúdo completo, use este prompt sugerido, que deixa as exigências explícitas e reduz o risco de omissões:

Você deve obter algo parecido com isto (de novo, só um exemplo ilustrativo):

Modelos generativos ainda podem omitir ou reescrever frases: confira no vídeo qualquer trecho que for citar. Divida transcrições longas por assunto em trechos fáceis de conferir; cole cada trecho e compare com o texto original. Além disso, a menos que as legendas originais já indiquem os falantes, o texto limpo não terá nomes de locutores e não serve como arquivo de legenda do jeito que está.

Método 2: sem legendas no YouTube — transcrever com reconhecimento de fala por IA

Ferramentas que só buscam legendas existentes não têm o que puxar quando o vídeo não tem trilha de legendas. Nesses casos, você precisa de reconhecimento de fala que “ouça” o áudio e gere texto e linha do tempo a partir do som. Serviços em nuvem e o modelo de código aberto OpenAI Whisper de reconhecimento de fala funcionam assim. Rodar o Whisper no seu computador exige instalação e configuração pela linha de comando, e ele não traz separação de falantes (diarização) integrada.

Tutorial Taption: colar o link, reconhecer, revisar e exportar

O passo a passo abaixo usa a ferramenta de vídeo para texto e transcrição do YouTube e tem cinco etapas, do link de um vídeo público até a exportação. Antes de começar, confira três pontos:

• Conta: É preciso entrar na conta antes de colar um link do YouTube. Contas novas têm 20 minutos grátis, sem cartão de crédito.
• O vídeo precisa ser publicamente acessível: Vídeos privados, só para membros do canal, com restrição de idade, bloqueados por região, protegidos por DRM e lives ainda no ar não podem ser importados por link. Vídeos publicados há menos de 24 horas e arquivos de live que acabaram de terminar podem falhar na importação; nesse caso, envie o arquivo.
• Duração e tamanho: Um arquivo pode ter até 5 horas. Antes do upload, confira o limite de tamanho indicado na janela de envio da sua conta. Para arquivos grandes, confirme se é possível importá-los antes de iniciar o processamento. Para custos além dos minutos grátis, veja planos e preços do Taption.

• Passo 1 — Colar o link: Depois de entrar, clique em Carregar no canto superior esquerdo. No topo da caixa de diálogo “Carregar media”, mude para o ícone Youtube e cole a URL do vídeo.
• Passo 2 — Escolher o idioma: No menu Selecionar o idioma falado, escolha o idioma falado no vídeo, por exemplo 🇵🇹 Português (Portugal, Brasil). Em vídeos em mandarim, use 🇹🇼 Chinês (Taiwan) quando o áudio for principalmente mandarim com inglês só ocasional, e 🇹🇼＋🇺🇸 Chinês e Inglês (Tradicional) quando frases em mandarim e inglês se alternam com frequência. A diferença entre as duas opções está explicada na página transcrição de mandarim e chinês-inglês misto para chinês tradicional. O menu não tem opção isolada de taiwanês (hokkien), então vídeos com muito diálogo em taiwanês pedem mais revisão manual.
• Passo 3 — Escolher o layout: Defina Método de transcrição como Transcrição automatizada e escolha um Divisão da transcrição conforme o uso. Para entrevistas e reuniões, use Transcrição por falante; você pode preencher antes Número do falante (total de pessoas falando no vídeo) e Rótulo do locutor. Para palestra ou curso com um só falante, use Transcrição simples, que divide o texto pelo sentido. Para legendas, escolha Legendas de vídeo. Máximo de caracteres, o limite por segmento, tem padrão 45 para português. Definir um número próprio exige assinatura Premium ou Bulk, e o campo não aparece quando Chinês e Inglês está selecionado.
• Passo 4 — Revisar: Clique em Criar. Quando a transcrição terminar, o editor mostra o vídeo à esquerda e a transcrição com códigos de tempo à direita. O reconhecimento de fala ainda pode cometer erros, especialmente com ruído de fundo, sotaques, falas sobrepostas ou muitos nomes próprios. Confira a transcrição com o áudio original antes de exportar. Você pode mudar nomes de falantes no menu Locutor, corrigir o mesmo erro em todo o arquivo com Substituir tudo e destacar nomes próprios frequentes e clicar em Adicionar ao dicionário para salvá-los no Dicionário Pessoal. Para a ordem de revisão em entrevistas longas, veja o guia de organização de transcrições de reuniões e revisão eficiente (em chinês tradicional).
• Passo 5 — Exportar: Clique em Exportar no canto superior direito, escolha o formato na caixa Exportar a sua transcrição e baixe o arquivo. Se você estiver usando só os minutos grátis, o nome do arquivo exportado ganha o sufixo _taption, uma linha com “Transcrito com Taption” é acrescentada ao final do arquivo, e os interruptores de código de tempo e nome de falante em TXT/PDF ficam indisponíveis. Comprar minutos ou assinar remove esses limites. Legendas bilíngues (Legenda bilíngue) exigem assinatura Premium ou Bulk.

Esta ilustração foi redesenhada por IA a partir de capturas da interface em inglês; não é uma captura original. Os painéis 1, 2 e 3 correspondem aos passos 1, 2 e 3 do texto; o painel 4 corresponde ao passo 5. Antes de exportar, faça também a revisão do passo 4. Create corresponde a «Criar» e Export a «Exportar». O valor 14 é uma configuração ilustrativa, não o limite padrão de caracteres do idioma selecionado.

TXT, SRT ou VTT: qual formato de exportação escolher?

Word (.docx) não fica na caixa Exportar a sua transcrição. O download sai de um resultado de Análise de IA e consome créditos de IA. A mesma caixa também oferece MP4, além de FCPXML e JSON, que exigem assinatura Premium ou Bulk.

Como ficam TXT e SRT? (exemplos de formato)

Os exemplos abaixo reutilizam a pergunta e resposta ilustrativa de antes. Servem só para mostrar o formato do arquivo e não representam o reconhecimento de um vídeo real. Os dois formatos carregam o mesmo conteúdo; a diferença é a embalagem. Quando o TXT usa um modelo de formato personalizado (Premium ou Bulk) que coloca código de tempo e nome do falante na mesma linha, cada segmento fica em uma linha:

O SRT corta as mesmas frases em legendas individuais, cada uma com número de sequência e horários de início e fim (neste exemplo, vírgulas e pontos finais de linha foram omitidos):

Na segmentação de legendas do Taption, o padrão é no máximo 45 caracteres por segmento para português e 16 para chinês tradicional. São padrões do produto, não regras universais de legendagem. Para contagem de caracteres por linha e convenções de pontuação em legendas em chinês tradicional, veja o guia de estilo de legendas em chinês tradicional (16 caracteres por linha e padrões de pontuação). Para decidir se as legendas devem ir em arquivo separado ou queimadas na imagem, veja a comparação completa entre legendas embutidas e legendas suaves (SRT/VTT e MP4 queimado).

Se as legendas aparecerem ilegíveis (caracteres estranhos) no software de edição, primeiro confira se o arquivo abre bem em um editor de texto. Se o texto estiver correto ali, salve de novo em UTF-8 conforme o software de destino. Se já estiver ilegível no editor de texto, reabra com a codificação original correta, confirme que o texto voltou a ser legível e só então converta — senão você só grava o lixo em outra codificação. Algumas ferramentas pedem UTF-8 com BOM; os arquivos .srt e .txt baixados do Taption já começam com UTF-8 BOM. Também confira se o arquivo não foi salvo como .srt.txt: em geral o editor não trata isso como arquivo de legenda.

Perguntas frequentes

Dá para obter a transcrição de um YouTube Short ou de uma reprise de live?

Sim, com alguns cuidados. Páginas de Shorts em geral não mostram o botão “Mostrar transcrição”. Se o Short tiver legendas (CC), abra-o no navegador do computador e troque /shorts/VIDEO_ID na URL por /watch?v=VIDEO_ID; depois expanda a descrição e copie a transcrição como em um vídeo normal. Para Shorts ou reprises de live sem legendas, cole a URL na caixa Carregar → Youtube do Taption para rodar o reconhecimento de fala. Uma live ainda no ar não pode ser importada por link: espere terminar. Vídeos que terminaram ou foram publicados há menos de 24 horas podem falhar na importação; nesse caso, salve o vídeo como arquivo local e envie o arquivo.

A transcrição em chinês saiu em caracteres simplificados ou com termos da China continental. Como converter para chinês tradicional de Taiwan?

Esta FAQ vale para transcrições em chinês que precisam ficar em chinês tradicional de Taiwan, mas saem com caracteres simplificados ou vocabulário da China continental. O ajuste depende da origem do texto. O prompt desta página em português mira o português brasileiro; para texto em chinês, peça explicitamente chinês tradicional de Taiwan e vocabulário de Taiwan. Em legendas copiadas do YouTube, use um prompt de limpeza como o de cima, com a regra 4 pedindo vocabulário de Taiwan — por exemplo, trocar 「軟件」 e 「視頻」 por 「軟體」 e 「影片」. No Taption, escolha no Passo 2 uma das opções 🇹🇼 de idioma falado com saída em tradicional e unifique termos com Dicionário Pessoal e Substituir tudo. Se você já tem um texto ou arquivo de legendas em chinês simplificado, use o projeto de código aberto OpenCC (Open Chinese Convert, com conversão de frases s2twp para tradicional de Taiwan): a configuração s2twp converte tanto os caracteres quanto o vocabulário preferido em Taiwan.

Em uma entrevista com várias pessoas, dá para saber quem está falando?

Se os nomes dos falantes aparecem na transcrição do YouTube depende de as legendas originais já trazerem marcação de nomes; se não trouxerem, a cópia em geral também não tem. Para a ferramenta separar os falantes automaticamente, defina Divisão da transcrição como Transcrição por falante ao carregar no Taption. O sistema divide os segmentos pela voz e, depois, você troca os nomes padrão pelos reais no menu Locutor. O recurso está descrito na página de identificação de falantes. Trechos em que várias pessoas falam ao mesmo tempo ou se interrompem ainda podem ser divididos errado e precisam de correção manual.

O link do YouTube falhou ao importar no Gemini Notebook (antigo NotebookLM). O que fazer?

Primeiro confira se o vídeo atende aos critérios. Segundo as regras oficiais do Google sobre fontes no Gemini Notebook (NotebookLM), só há suporte a vídeos públicos do YouTube que tenham legendas, e só o texto das legendas é importado. Vídeos enviados há menos de 72 horas podem falhar na importação; se o vídeo for excluído ou ficar privado, a fonte some do notebook em até 30 dias. Se o vídeo não se qualificar, gere a transcrição com os métodos deste guia e envie como fonte em TXT ou PDF. Se o arquivo tiver códigos de tempo e nomes de falantes, isso vira texto pesquisável. A fonte importada continua sendo texto simples, então confira no vídeo qualquer ponto de tempo citado no chat.

Transcrever o vídeo de outra pessoa no YouTube gera problema de direitos autorais?

Estar publicamente visível não significa que o vídeo possa ser reproduzido ou distribuído livremente. Priorize vídeos seus ou com autorização. Se outro uso se enquadra em uso justo ou uso permitido ainda depende da finalidade, do escopo e da lei aplicável; não basta dizer “pesquisa pessoal” ou “a fonte foi citada”. Isto é informação geral, não aconselhamento jurídico.

Leitura adicional

• Resumos e capítulos de vídeo: Com a transcrição pronta, você pode gerar resumo e capítulos com resumos de vídeo com IA e geração de capítulos com carimbos de tempo para o YouTube, em formato como 00:00 Abertura, 01:30 Tema 1, 05:10 Tema 2. Segundo os requisitos oficiais de capítulos de vídeo do YouTube, o primeiro carimbo de tempo deve ser 00:00, é preciso haver pelo menos três carimbos em ordem crescente e cada capítulo deve ter pelo menos 10 segundos.
• Legendas multilíngues: Para traduzir legendas para outros idiomas, veja o guia completo de tradução de legendas multilíngues para vídeos do YouTube (em chinês tradicional).
• Layout de legendas: Convenções de caracteres por linha, quebras e pontuação estão no guia de estilo de legendas em chinês tradicional (16 caracteres por linha e padrões de pontuação).

Quando o vídeo tem legendas (CC), o Método 1 já entrega o texto de graça; bastam alguns minutos para organizar a pontuação. Sem legendas, use os 20 minutos grátis de uma conta nova para testar o reconhecimento de fala e a exportação em um vídeo seu.