Subtitles

Privado · No dispositivo · Apple Neural Engine

Legendas ao vivo para
o que quer que o seu Mac esteja tocando.

Vídeos, chamadas, podcasts: transcritos enquanto tocam e desenhados como um overlay sempre em primeiro plano. Nada é enviado, nada é gravado, nada é escrito em disco.

Reembolso em 14 dias, sem perguntas

Comprar por US$ 9 Ver o código-fonte

Pagamento único de US$ 9, com todas as atualizações futuras incluídas · macOS 14.2 ou posterior · Apple Silicon
Legendas ilimitadas, pelo tempo que você quiser. Sem minutos para comprar, sem conta, sem assinatura.

Troque de app e as legendas ficam: o overlay está acima de todas as janelas e deixa os cliques passarem.

Clique em uma janela para trazê-la para a frente. Segure ⇧ e arraste as legendas para movê-las, como você faria no app.

Aponte para as legendas e elas se dissolvem sob o ponteiro. Segure ⌥ para empilhar as últimas de volta. As duas coisas funcionam aqui exatamente como no app.

Legendas ao vivo para qualquer app no seu Mac

O Subtitles legenda qualquer áudio que o seu Mac consiga reproduzir, porque ele intercepta o próprio app em vez de se integrar a um serviço específico. Seja você surdo ou com perda auditiva, esteja ouvindo em um segundo idioma ou apenas trabalhando num lugar barulhento, três situações aparecem de novo e de novo.

01

Reuniões e chamadas

Zoom, Google Meet, Teams, um huddle do Slack, uma chamada em uma aba do navegador: tudo isso é só áudio saindo de um app, então tudo isso é legendado. Segundo idioma ou não, ele se justifica no momento em que um sotaque é pouco familiar, o microfone de alguém é ruim ou duas pessoas falam por cima uma da outra: ler uma palavra que você só ouviu pela metade é mais rápido do que pedir de novo, e não interrompe ninguém.

02

Não perder o fio enquanto você trabalha

Áudio não espera. No momento em que você troca para as suas notas, para o seu editor ou para uma janela do navegador, começa a perder a conversa. O overlay está sempre acima de todas as janelas e deixa os cliques passarem, então fica onde está enquanto você trabalha na frente dele. Dá para tomar notas, consultar alguma coisa e ainda acompanhar o que está sendo dito. Um bloco de notas como o Granola escreve o resumo da reunião depois; esta é a metade que precisa acontecer enquanto ela ainda está rolando.

03

Vídeos, podcasts e aulas

Um vídeo sem legendas, ou com legendas automáticas piores do que nenhuma. Um podcast em um idioma que você ainda está aprendendo. Uma aula gravada ou transmitida ao vivo, uma entrevista, um filme com diálogo baixo. As legendas aparecem sobre a janela que estiver reproduzindo, no tamanho de texto que você definir, em nove idiomas com o idioma detectado para você.

Os três têm a mesma coisa em comum: uma reunião, uma chamada e uma gravação particular não são da conta de nenhum servidor. Nenhum desses áudios é enviado, porque nenhum precisa ser: o modelo roda no seu Mac.

Construído em torno de três restrições

Áudio ao vivo não dá para pausar, não dá para repetir e não deveria precisar sair da sua máquina. Tudo aqui decorre disso.

Nada sai do Mac

Roda localmente e offline: sem chamadas de rede, sem contas, sem telemetria. O áudio vai do tap direto para o reconhecedor e é descartado. A única coisa que chega a ser baixada é o próprio modelo, uma vez só.

Neural Engine, não CPU

Cerca de 0,15 de real-time factor: seis segundos de fala transcritos por segundo de processamento. O mesmo modelo na CPU se mostrou cerca de 100× lento demais para acompanhar um fluxo ao vivo.

Qualquer app, um de cada vez

Escolha uma fonte na barra de menus e ele captura aquele app e todos os processos auxiliares que ele abre, que é o que faz funcionar com navegadores e apps Electron, onde o áudio nunca vem do processo principal.

Música não vira letra

Um detector de voz roda antes do reconhecedor, então bases musicais nunca chegam até ele. Sem isso, a música enche o contexto do modelo e as primeiras palavras depois dela se perdem.

Um quadro novo por interlocutor

Opcionalmente começa uma legenda nova quando outra pessoa começa a falar, do mesmo jeito que uma pausa faz. Desligado por padrão: roda um segundo modelo ao lado do primeiro.

Nove idiomas

O modelo padrão detecta o idioma sozinho. O inglês ganha ainda sete checkpoints dedicados, que trocam latência por precisão a partir de 160 ms.

O overlay sai da frente

Uma coisa acima de todas as janelas só funciona se ela nunca virar aquilo que você tem que contornar. Ela não recebe cliques, se dissolve onde você aponta, e devolve a linha da qual você tirou os olhos.

Um buraco onde você aponta

Aproxime o ponteiro do quadro e ele some por baixo, então a frase que você está lendo nunca cobre a frase que você está escrevendo. Quanto some e até onde o buraco alcança são coisas que você define. Segure ⇧ para mantê-lo sólido.

Segure ⌥ para o que você perdeu

O quadro vira página como as legendas da televisão: enche, limpa e começa de novo, então uma linha da qual você tirou os olhos já era. Segure ⌥ e os últimos quadros encerrados se empilham acima do que está em curso, até trinta deles, com rolagem para os mais antigos. Solte e eles vão embora de novo. Nada é escrito em lugar nenhum.

O overlay é a prévia

⌘, a partir do menu abre os ajustes: quantas linhas um quadro enche antes de limpar, quão sólido ele é, até onde alcança o desaparecimento sob o ponteiro, até onde ⌥ volta. Cada controle se aplica ao overlay enquanto você o arrasta, então você acerta essas coisas olhando para elas e não escolhendo um número.

Como funciona

Uma thread de áudio em tempo real que nunca faz mais do que copiar, um núcleo portátil que nunca transcreve e um modelo rodando onde ele deve rodar.

  1. 1

    Process tap do Core Audio

    48 kHz estéreo, um callback a cada 10,7 ms. A thread de tempo real copia para um ring buffer lock-free e não faz mais nada.

  2. 2

    Reamostragem e gate

    Descido para 16 kHz mono em uma thread de trabalho, silêncio pulado, com cerca de um segundo reproduzido antes da fala para que nenhuma palavra comece a frio.

  3. 3

    Parakeet no Neural Engine

    Um modelo de streaming, não um de janela de 30 segundos: a diferença entre legendas que acompanham o áudio e legendas que chegam segundos atrasadas.

  4. 4

    Overlay

    Páginas de três linhas que se limpam e recomeçam como fazem as legendas de TV, sumindo quatro segundos depois do último texto novo, e não depois que o áudio para.

Tudo o que vai do ring buffer até a fronteira do modelo é Rust portátil que deliberadamente não transcreve: ele entrega frames. O process tap e o overlay são as únicas partes específicas do Mac.

Comprar por US$ 9

Reembolso em 14 dias, sem perguntas.

Nada para revisar, nada para desativar

Se você pode apontar isto para uma chamada de trabalho é porque não é um serviço. Não há servidor, nem conta, nem transcrição, então não há nada para enviar e mais ninguém no meio. O código está publicado, então nada disso precisa ser aceito no escuro.

  • Nenhum bot entra na chamada. Ele captura o áudio que o seu Mac já está tocando, então nada aparece na lista de participantes e ninguém é avisado de que há algo rodando. Quase toda essa categoria manda um participante visível no lugar, coisa que muitas empresas proíbem de saída.
  • Nada é gravado e nada é escrito em disco. O áudio vai do tap para o reconhecedor e é descartado ali mesmo. As legendas estão na tela e depois já foram; os quadros que ⌥ traz de volta ficam na memória até você fechar o app, e depois não há arquivo nenhum para achar, nem no seu Mac nem em outro lugar.
  • O microfone nunca é aberto. Ele só ouve o que o seu Mac toca. É um limite de verdade, e é também por isso que nada do que você diz pode ir a lugar algum.
  • Sem conta, sem telemetria, sem rede. Nada onde fazer login e nenhum uso reportado a lugar nenhum. O modelo baixa uma vez, cerca de 633 MB, e depois disso não sobra uma única chamada de rede para fazer: tire o Wi-Fi e ele continua legendando.
  • Não há nada com que treinar. Não existe transcrição nenhuma para ser enviada, então não há ajuste de treinamento para caçar, nem padrão para conferir, nem operador para nomear em um contrato de dados. Se isso atende à política da sua empresa é você quem decide, mas aqui não há nenhum terceiro para revisar.
  • A única exceção é comprar. A Gumroad recebe o pagamento e vê o seu e-mail, como qualquer loja faz, e escreve para você quando o app é atualizado. O app em si nunca pede nenhum dos dois.

Escolha um idioma, não um modelo

O idioma é a primeira coisa que inclui ou descarta um modelo, então é o nível de cima do menu. Trocar dentro de um pacote é instantâneo; passar de um pacote para o outro baixa o outro e mantém o que você já tem.

Mude de ideia no meio do download e ele cancela e começa o novo na hora. Volte atrás mais tarde e ele retoma em vez de começar do zero.

Ele mora na barra de menus

Nenhum ícone no Dock, nenhuma janela para administrar. O ícone conta o que ele está fazendo: índigo enquanto escuta, azul enquanto baixa um modelo, amarelo se o pipeline começa a ficar para trás, e nunca vermelho, porque vermelho significa gravação, e aqui nada é escrito em lugar nenhum. As chaves ficam no menu, e ⌘, a partir dele abre uma janela de ajustes com os controles que estão por trás.

⌥⌘S
Pausar e retomar
Segure ⇧
Torna o overlay arrastável; no resto do tempo ele deixa os cliques passarem
Segure ⌥
Empilha os últimos quadros acima do que está em curso; role para ver os mais antigos
⌘,
Ajustes, a partir do menu aberto: linhas por quadro, opacidade, o desaparecimento sob o ponteiro, até onde ⌥ volta
Barra de menus
Modelo, fonte de áudio, tamanho do texto, posição do overlay, estado da permissão

Por que não as Legendas ao Vivo da Apple?

O macOS já traz legendas embutidas, de graça, em todo Mac com chip Apple, em Ajustes do Sistema, Acessibilidade, Legendas ao Vivo. Se isso cobre o que você precisa, use. Estes são os pontos em que deixou de cobrir o que eu precisava, e há uma comparação linha a linha se você quiser a versão longa.

  • Nove idiomas, detectados para você. O da Apple não está disponível em todo idioma, país ou região. O modelo padrão aqui descobre o idioma sozinho, e a barra de menus alterna entre eles.
  • O modelo é escolha sua. Sete checkpoints em inglês que trocam latência por precisão a partir de 160 ms, mais o multilíngue. A Apple te dá legendas, não um controle.
  • O overlay deixa os cliques passarem. O da Apple é uma janela que você move e redimensiona. Este aqui não recebe clique nenhum, então você trabalha direto através dele. Segure ⇧ quando quiser mesmo movê-lo.
  • Ele sai da frente onde você aponta. O quadro some sob o ponteiro para você ler o que está embaixo, tanto e tão largo quanto você definir. O da Apple é uma janela opaca que você move para outro lugar.
  • Um app, ou todos. Aponte para a aba que está reproduzindo a chamada e o resto da máquina fica em silêncio. O da Apple transcreve o áudio de todos os apps por padrão.
  • Música não vira letra. Um detector de voz roda antes do reconhecedor, então uma base musical nunca chega até ele.
  • Um quadro novo por interlocutor. Opcional, desligado por padrão, e sem equivalente no recurso integrado.

Vale saber antes de baixar

  • A primeira execução leva alguns minutos. O modelo tem cerca de 633 MB e se baixa sozinho na primeira vez. A barra de menus mostra o progresso.
  • O macOS vai pedir permissão para gravar o áudio do sistema. Pule esse aviso e todas as amostras chegam como silêncio digital, sem nenhum erro em lugar nenhum, então o app mantém uma verificação da permissão no menu em vez de fingir que sabe. O download é assinado e notarizado, então a resposta que você der sobrevive a todas as atualizações.
  • Canto conta como fala. O detector de voz não sabe diferenciar, então música cantada sai como letra.
  • As quebras entre interlocutores são retrospectivas. A diarização informa em intervalos regulares, então uma ou duas palavras do novo interlocutor podem cair no quadro que está saindo antes de ele se limpar.
  • Uma tela só. O overlay usa a tela principal.
  • Os modelos ficam em disco assim que você os experimenta. Alternar entre os oito é justamente como você acha o que quer, e cada um que você experimenta é guardado. Os ajustes têm um botão que remove os que nada está usando, e nunca o que está em uso.

As perguntas que vêm primeiro

Funciona com Zoom, Teams e Google Meet?
Sim. Ele intercepta o áudio que um app reproduz em vez de se integrar a um serviço específico, então uma janela do Zoom, um huddle do Slack e uma chamada em uma aba do navegador são legendados do mesmo jeito. Navegadores e apps Electron inclusive: ele captura os processos auxiliares que eles abrem, que é de onde o áudio realmente vem.
Um overlay não acaba atrapalhando?
Ele não recebe clique nenhum, então você trabalha direto através dele, e ele some sob o ponteiro para você ler o que está embaixo. Quanto ele some, até onde isso alcança, quão sólido é o quadro e quantas linhas ele segura são todos ajustes. Segure ⇧ para mantê-lo sólido e arrastá-lo para outro lugar; onde você o colocar fica guardado.
Ele legenda a minha própria voz?
Não. Ele só ouve o que o seu Mac reproduz, nunca o microfone. Em uma chamada, isso significa que você lê as outras pessoas, não a si mesmo.
Precisa de conexão com a internet?
Uma vez, para baixar o modelo na primeira execução, cerca de 633 MB. Depois disso ele roda inteiramente offline e não faz nenhuma chamada de rede.
Posso salvar ou exportar uma transcrição?
Não, e isso é proposital. Nada é escrito em disco: as legendas existem na tela e depois somem. Segurar ⌥ traz de volta os últimos quadros enquanto o app está aberto, e isso serve para pegar a linha que você perdeu, não para guardar um registro. Se você precisa de um registro da conversa, esta é a ferramenta errada.
O TI precisa aprovar?
Não há fornecedor nenhum aqui para aprovar: sem conta, sem servidor, sem transcrição saindo do Mac e sem nada entrando na chamada como participante, então ninguém na reunião está sendo gravado por coisa alguma. É um app assinado e notarizado em uma máquina só, e depois que o modelo baixa uma vez ele não faz chamada de rede nenhuma. Se isso atende à política da sua empresa é você quem decide, mas não há nenhum terceiro no meio para revisar.
Funciona com fones de ouvido ou AirPods?
Sim. Ele captura o áudio que um app produz, não o som que sai de um alto-falante, então o que você usa para ouvir não faz diferença.
Vai deixar o meu Mac mais lento?
A transcrição roda no Neural Engine e não na CPU, com um real-time factor de cerca de 0,15, ou seis segundos de fala por segundo de processamento. O mesmo modelo na CPU se mostrou cerca de 100× lento demais para acompanhar seja como for.
Em quais Macs ele roda?
Apple Silicon, macOS 14.2 ou posterior. O piso de versão vem dos process taps do Core Audio, que são a API sobre a qual tudo isso é construído.
É uma assinatura?
Não. US$ 9 uma vez só, com todas as atualizações futuras incluídas, sem conta para criar e sem minutos para comprar. Se não for para você, há reembolso em 14 dias.
Posso ver o código-fonte?
Sim. Ele é publicado sob a FSL-1.1-ALv2, que vira Apache 2.0 dois anos depois de cada versão. Leia, ou compile você mesmo, em github.com/daformat/subtitles.

Legendas para qualquer coisa, sem mandar áudio para lugar nenhum.

Reembolso em 14 dias, sem perguntas

Comprar por US$ 9

Pagamento único de US$ 9, com todas as atualizações futuras incluídas · macOS 14.2 ou posterior · Apple Silicon
Legendas ao vivo ilimitadas, enquanto o Mac for seu. Sem minutos para comprar, sem conta, sem assinatura.