In partnership with

ED 111

100% escolheram DJI Mic 2. Sai em 16/09.

Descript: apagar a palavra no texto corta o vídeo junto

A transcrição vira a linha do tempo do corte, com limpeza de vícios de fala, som tratado e legenda saindo do mesmo texto.

A palavra apagada e o corte que vem junto

▼

Uma prensa de alumínio de 12 centímetros, com uma lâmina de aço presa no centro e dois pinos de encaixe para a perfuração da película. O aparelho se chama emendadora (splicer, a prensa que cola dois pedaços de filme cortado), e ele prova uma afirmação que atravessou oitenta anos de ofício: cortar imagem sempre foi um trabalho de achar o ponto exato dentro do material bruto, com a mão.

O computador trocou a lâmina pelo cursor e manteve a busca. Quem grava vídeo falado, uma aula, um episódio de podcast filmado, um vídeo de canal, um treinamento interno, passa a maior parte do tempo de edição fazendo uma tarefa só: varrer a onda de áudio para descobrir onde a frase começa, onde ela termina e onde o "ééé" entrou.

Sessenta minutos de gravação bruta escondem material aproveitável em pedaços irregulares. A fala boa está no minuto 3, a repetição do mesmo parágrafo está no minuto 11, a melhor tomada da abertura saiu na quarta tentativa, no minuto 38. Nenhum desses pontos tem marcação visível, e a onda de áudio na tela mostra picos de volume, nunca conteúdo.

Existe uma categoria de programa que ataca a busca pela raiz: a edição baseada em texto (text-based editing, o corte feito por cima da transcrição em lugar da linha do tempo). O programa transcreve a fala, mostra o resultado como um documento comum, e amarra cada palavra escrita ao trecho de vídeo que a produziu.

O Descript nasceu dentro dessa categoria e levou a ideia ao limite: apagar uma palavra no texto apaga o pedaço de vídeo correspondente, recolar um parágrafo em outro lugar reordena as cenas, e a legenda sai do mesmo documento que você acabou de editar.

A primeira seção desmonta o gargalo que aparece antes de qualquer programa, e mostra por que uma hora de gravação falada custa tantas horas de bancada.

Continue lendo ↓

I O Problema

A hora de gravação que come quatro de bancada

‌

Pegue a última gravação falada que você editou. O tempo entre o fim da gravação e o arquivo pronto passou de três para um, muitas vezes de quatro para um, e quase nada desse tempo foi decisão criativa. Foi procura.

O primeiro gargalo é a cegueira da onda de áudio. O desenho na tela mostra volume, e volume não diz o que foi dito. Achar o trecho em que você explicou o segundo argumento exige tocar, parar, voltar cinco segundos, tocar de novo. Cada busca dessas custa entre trinta e noventa segundos, e uma edição comum tem dezenas delas.

O segundo gargalo é o vício de fala. "Ééé", "então", "tipo", "né" aparecem às dezenas numa gravação de trinta minutos de fala espontânea. Cortar cada um pede localizar a hesitação, marcar dois pontos, apagar e conferir se a emenda ficou natural. O trabalho é mecânico, repetitivo e ocupa uma tarde inteira.

O terceiro gargalo são as tomadas repetidas. Quem grava sozinho erra a frase e recomeça na hora, o que gera três ou quatro versões do mesmo parágrafo coladas uma na outra. Escolher a melhor exige ouvir as quatro em sequência, comparar de ouvido e lembrar qual estava melhor, com a memória perdendo a primeira quando chega na quarta.

O quarto gargalo é a reordenação. Perceber, no meio da edição, que o terceiro bloco funciona melhor como abertura significa recortar um intervalo da linha do tempo, arrastar o pedaço para o começo, reconferir as bordas e torcer para nada ter saído de sincronia. A operação dá tanto trabalho que a maioria desiste e publica a ordem errada.

O quinto gargalo é a duplicação de esforço na legenda e no texto de apoio. A descrição do vídeo, o resumo do episódio, o artigo derivado e a legenda queimada na tela saem todos da mesma fala, e cada um costuma ser digitado do zero por uma pessoa que já ouviu aquele áudio quatro vezes.

O sexto gargalo aparece na revisão com outra pessoa. Mandar o corte para um sócio, um cliente ou um editor gera comentários por mensagem no formato "no minuto 12 e 40 você repetiu", e voltar ao programa para achar o minuto 12 e 40 reinicia o ciclo de procura que já tinha sido pago uma vez.

Some os seis e o retrato aparece. O custo da edição falada mora na localização do trecho, nunca na decisão sobre ele. Um programa que mostre o conteúdo em palavras legíveis derruba a maior fatia desse custo antes de qualquer recurso sofisticado entrar na conversa.

‌

II A Descoberta

O documento que funciona como linha do tempo

‌

O Descript é um editor de áudio e vídeo lançado em 2017 pela empresa do mesmo nome, em São Francisco, dirigida pelo fundador Andrew Mason, e foi construído em torno da transcrição, não em torno da linha do tempo. A tela de estreia mostra um documento de texto com o vídeo numa janela ao lado.

O texto como material de corte: o programa transcreve a gravação e exibe a fala em parágrafos comuns. Apagar uma palavra apaga o pedaço de vídeo em que ela foi dita, selecionar três frases e deletar remove o trecho inteiro, e recortar um parágrafo e colar em outro ponto do documento reordena as cenas com a mesma facilidade de mexer num texto.

A limpeza dos vícios de fala: um comando único varre a transcrição e marca todas as hesitações e repetições de apoio, que somem juntas com um clique. O trabalho de tarde inteira vira um passo de trinta segundos, com a opção de revisar a lista antes de confirmar.

O corte dos silêncios: o programa localiza as pausas longas entre frases e encurta todas de uma vez, com você definindo quanto de respiro fica. Uma gravação de fala espontânea perde vários minutos de vazio sem ninguém tocar na linha do tempo.

O tratamento do áudio: o Studio Sound processa a voz gravada e reduz reverberação de sala e chiado de fundo, entregando um som mais próximo de microfone tratado. Gravação feita em quarto comum, sem espuma na parede, melhora de forma audível nessa passagem.

A voz clonada para remendo: o Overdub cria um modelo da sua própria voz, com consentimento gravado, e digita uma correção que sai falada no timbre certo. Trocar um número errado numa frase deixa de exigir regravação da tomada inteira.

A gravação de tela e a legenda: o programa grava tela, câmera e microfone dentro dele mesmo, e a legenda sai da transcrição que você acabou de editar, queimada no vídeo ou exportada como arquivo à parte. O texto de descrição e o resumo do episódio saem do mesmo documento.

O plano gratuito: o Free cobre 1 hora de transcrição por mês, edição e exportação em 720p com marca d'água nas exportações em alta, gravação de tela ilimitada e projetos ilimitados. Testar o método com um vídeo curto cabe nesse limite; publicar toda semana não cabe.

O plano pago: o Hobbyist custa US$ 19 por mês no pagamento mensal e US$ 12 por mês no anual, com 10 horas de transcrição; o Creator custa US$ 35 por mês no mensal e US$ 24 por mês no anual, com 30 horas, exportação em 4K e sem marca d'água. Os valores são de tabela publicada pela empresa no site em setembro de 2026.

A citação que explica o método: "O corte é uma ideia sobre o que vem a seguir", escreveu Walter Murch em In the Blink of an Eye, publicado em 1995. A edição por texto entrega essa decisão limpa, porque a pergunta sobre qual pedaço fica aparece escrita na tela em lugar de ficar escondida num desenho de volume.

Onde ele não é a escolha certa: vídeo de narrativa visual, com trilha sincronizada, correção de cor pesada e camadas de efeito, continua pedindo um programa de linha do tempo completo. Fala em português com sotaque carregado ou muito termo técnico gera transcrição com erro, e transcrição errada gera corte errado. O trabalho também mora na nuvem, com projeto pesado dependendo de conexão firme.

Selo HC: Aprovado. Ele resolve o gargalo real de quem publica vídeo falado toda semana, corta a etapa de procura quase inteira e entrega legenda, descrição e corte final saindo do mesmo documento.

Conhecer o Descript →

Quem banca a edição de hoje

Is Your Training Data Actually Model-Ready?

If you're fine-tuning a speech model, you've probably hit this wall: DNSMOS gives you a score, but it doesn't tell you whether the data behind that score is actually right for your model.

Treat it as a pass/fail gate and you'll end up training on audio that looks clean on paper but drags down real-world performance—while good source data gets tossed for no reason.

Voices' CTO DJ Jalali (with the team's senior audio and voice data engineers) just published a free white paper that breaks down the four-step calibration framework they use internally to set model-specific quality thresholds instead of trusting the raw DNSMOS number. It also covers where DNSMOS breaks down and how Voices validates audio for custom datasets at scale.

Download the White Paper

Patrocinadores mantêm a edição gratuita

‌

III O Setup

Três passos até o primeiro corte por texto

‌

Vai testar hoje? Faça estes três passos na estreia, porque editor de texto com vídeo embutido engana pela facilidade e produz corte apressado quando ninguém combina uma ordem de trabalho antes.

Passo 01: leve uma gravação já existente, curta, com fala espontânea. Escolha um arquivo de cinco a dez minutos que você gravou e nunca editou, e suba no programa antes de aprender qualquer recurso. A transcrição fica pronta em poucos minutos, e a leitura do texto já revela quanto material sobra: parágrafo repetido, explicação que ficou confusa, começo que demora a entrar no assunto.

O teste da estreia leva quinze minutos: leia a transcrição uma vez e apague só o que você não leria em voz alta para outra pessoa. Toque o resultado. Se o vídeo ficou mais curto e mais firme sem você ter tocado na onda de áudio, o método funciona para o seu tipo de gravação e o resto do processo vem por consequência.

Passo 02: rode a limpeza automática antes de qualquer corte manual. A ordem importa. Primeiro a remoção de hesitações, depois o encurtamento de silêncios, depois o Studio Sound, e só então a leitura do texto para decidir o que entra e o que sai. Invertendo a ordem, você gasta atenção editando trechos que a limpeza automática removeria de graça, e ainda precisa revisar tudo de novo.

Passo 03: feche o corte no texto antes de abrir qualquer recurso visual. Marque o ponto em que o documento está do jeito que você publicaria, e só depois entre em transição, cartela, zoom e legenda no vídeo. Quem mistura as duas etapas acaba aplicando efeito num trecho que sai da versão final dez minutos depois, jogando fora o trabalho visual junto com o texto cortado.

Nos primeiros dias, a meta não é migrar o processo inteiro de edição para dentro do programa. É provar uma afirmação única: a fala escrita na tela deixa a escolha do que fica mais rápida e mais honesta do que a mesma escolha feita por cima de um desenho de volume.

"Quantas horas do seu mês somem procurando, na gravação, o trecho que você sabe que existe?"

A conta desta edição fecha em R$ 0 por mês no plano gratuito, com 1 hora de transcrição mensal, gravação de tela ilimitada, projetos ilimitados e exportação em 720p já incluídos (cotação de 13/09/2026). O degrau seguinte, o Hobbyist a US$ 12 por mês no anual, só entra na conta quando a hora mensal de transcrição acabar antes do fim do mês.