O Descript transforma a transcrição na linha de montagem: apague uma palavra e a imagem vai com ela. Reúne gravação, transcrição, edição de vídeo e podcast, legendas, clonagem de voz e correções por IA num mesmo espaço web.
Já usou esta ferramenta? Avalie-a
Já usou esta ferramenta? Avalie-a
O Descript é um editor de vídeo e áudio construído sobre uma ideia que muda tudo o resto: a transcrição é a linha de montagem. Em vez de arrastar clipes ao longo de uma onda sonora, edita-se um documento. Apagar uma palavra da transcrição apaga-a do vídeo, e mover uma frase leva as imagens consigo. É por isso que a empresa diz que montar aqui é tão simples como escrever. Quem souber usar um processador de texto consegue fazer edição de vídeo por texto, algo que de outro modo exigiria aprender um montador não linear tradicional.
Esse princípio torna o Descript invulgarmente adequado a conteúdos sustentados pela fala: podcasts, entrevistas, tutoriais, seminários online, materiais de formação e vídeos de alguém a falar para a câmara destinados às plataformas sociais. E torna-o proporcionalmente menos adequado onde é a imagem, e não a palavra, que conduz a montagem, como videoclipes musicais, sequências de ação ou peças carregadas de grafismo em movimento. Saber de que lado dessa linha se encontra o seu projeto é o melhor indicador de se esta ferramenta lhe servirá.
À volta do editor existe uma cadeia de produção completa: gravação de ecrã, gravação remota multipista através do Rooms, legendas automáticas, voz sintética e clonagem de voz, tradução e dobragem, avatares de IA e um conjunto de ferramentas que corrigem a posteriori as falhas habituais de gravação. Por trás da empresa há apoio institucional real: o TechCrunch noticiou em novembro de 2022 uma ronda de série C de 50 milhões de dólares liderada pelo OpenAI Startup Fund, com a qual o financiamento acumulado atingiu 100 milhões de dólares, a uma avaliação pós-operação de cerca de 550 milhões. Esta página explica o que a ferramenta faz de facto, o que incluem os planos, como funciona o consentimento para clonar voz e que definição de treino de IA convém a todos verificarem.
Existem cinco níveis e as diferenças são de fundo, não cosméticas. O Free custa zero e inclui 60 minutos de média por mês com exportação a 720p; o Hobbyist e o Creator custam 24 e 35 dólares por licença e mês, o Business 65, e o Enterprise é proposto mediante orçamento. Com pagamento anual, esses valores descem para cerca de 16, 24 e 50 dólares por licença. Dois contadores determinam o que é possível fazer: os minutos de média por mês — 60 no Free, 600 no Hobbyist, 1800 no Creator, 2400 no Business — e os créditos de IA, consumidos pelas funções de inteligência artificial. Um pormenor merece atenção porque é facilmente mal lido: os 100 créditos de IA do nível gratuito são atribuídos uma única vez e não se renovam mensalmente, ao passo que cada nível pago recebe a sua dotação de novo todos os meses. O nível gratuito é, por isso, mais uma prova das funções de IA do que uma quota permanente para as usar.
A repartição das capacidades conta tanto como o preço. O Studio Sound, o Eye Contact, o croma, a remoção de bordões e as vozes já disponíveis para locução estão acessíveis com limitações nos níveis inferiores. Já os clones de voz próprios, a geração de vídeo com IA, os avatares personalizados e a tradução e dobragem em 30 idiomas só são libertados sem restrições a partir do Creator, tal como o acesso completo ao assistente Underlord e ao conjunto alargado de ferramentas. Se o que o traz ao Descript são precisamente as capacidades de IA, o ponto de entrada realista é o Creator e não o Hobbyist. O Enterprise acrescenta a infraestrutura de conformidade e de identidade que os departamentos de compras costumam exigir.
O ponto mais relevante aqui não é uma falha, mas uma predefinição. Enquanto não se opuser, o Descript pode usar as suas entradas e saídas para treinar, melhorar e desenvolver os seus modelos, e os respetivos colaboradores, fornecedores e prestadores podem ouvir amostras de áudio para controlo de qualidade interno. As condições revelam ainda que as vozes de IA podem ser usadas para gerar locuções destinadas precisamente a esse controlo de qualidade interno. Nada disto está escondido e a recusa é simples — desativar a definição «Share Data with Descript» —, mas vem ligada de origem. Isso significa que entrevistas confidenciais, material de cliente por publicar e gravações internas sensíveis ficam abrangidos até que o altere. A política de privacidade acrescenta que certos dados de treino associados aos locutores de IA podem permanecer em conjuntos de dados de investigação após a desvinculação da sua conta. Quem trabalhe com material sujeito a acordo de confidencialidade deve tratar esta verificação como a primeira tarefa e não como uma correção posterior.
Em matéria de consentimento para clonagem de voz, este produto fica claramente acima da maioria da sua categoria, e isso deve ser dito sem rodeios. É expressamente proibido submeter gravações de voz de terceiros sem autorização como material de treino, tal como criar uma gravação ou uma declaração de consentimento que contenha ou imite a voz de alguém que não tenha consentido de forma explícita. As condições proíbem também proferir uma declaração de consentimento em nome de outra pessoa. São cláusulas contratuais vinculativas e não notas numa secção de perguntas frequentes de marketing, e estão tecnicamente sustentadas: o Descript gera impressões vocais a partir da sua declaração de consentimento e da gravação que está a editar, para o autenticar e prevenir fraude. A posição oficial é igualmente clara, já que a empresa afirma seguir padrões éticos e exigir autorização explícita da pessoa cuja voz é clonada, permitindo ainda remover o seu clone ou limitar-lhe o acesso. Os modelos e as impressões vocais são conservados até cumprida a finalidade da recolha, no máximo três anos após o último acesso à conta.
A verificação independente da qualidade é mais escassa do que a notoriedade do produto faria supor. A empresa anuncia uma classificação de 4,6 em 5 a partir de 837 avaliações numa grande plataforma de avaliações B2B, mas esse número consta da própria página de marketing do Descript e não foi possível confirmá-lo diretamente na plataforma, pelo que deve ser lido como declaração do fornecedor e não como avaliação verificada de forma independente. A cobertura do TechCrunch é trabalho jornalístico real e assinado, e comprova os factos do financiamento, mas centra-se na ronda e nas novas funcionalidades: não contém análise crítica dos riscos de abuso da clonagem de voz nem declarações da empresa sobre medidas de proteção, pelo que não serve como aval dos seus mecanismos de segurança. Ao mesmo tempo, várias análises de terceiros continuam a afirmar que é preciso ler entre 10 e 30 minutos de guião, o que contraria a página oficial em vigor com os seus cerca de 90 segundos. É um lembrete de que boa parte da literatura secundária sobre este produto está desatualizada e outra parte provém de concorrentes que vendem alternativas.
Os limites práticos merecem igualmente referência. A exatidão da transcrição condiciona tudo o resto: sotaques carregados, vozes sobrepostas, vocabulário especializado e áudio deficiente degradam o texto, e uma transcrição má transforma a montagem por texto num esforço em vez de um atalho. Os minutos contratados podem esgotar-se antes do previsto se trabalhar com gravações longas, e os créditos de IA são consumidos precisamente pelas funções que provavelmente o atraíram. A resolução de exportação é um limite de plano, pelo que o 4K exige Creator ou superior. E o princípio centrado no texto, que torna cómoda a montagem de diálogo, pouco ajuda em projetos conduzidos pelo visual, onde uma linha de tempo clássica continua a ser a ferramenta mais adequada.
O lado jurídico dos resultados é, pelo menos, inequívoco e favorável ao utilizador: entre si e o Descript, todos os direitos, títulos e interesses sobre as entradas e saídas que gerar pertencem-lhe. A entidade operadora é a Descript, Inc., sediada em São Francisco, aplica-se a lei da Califórnia e os litígios são resolvidos por arbitragem vinculativa no condado de São Francisco, o que é de assinalar para quem dê importância a cláusulas de arbitragem. Existem direitos sobre os dados para utilizadores do Espaço Económico Europeu e para residentes da Califórnia, Colorado, Connecticut, Utah e Virgínia, e os dados de geometria facial usados pelos avatares de IA são tratados por prestadores de serviços, sem acesso direto do Descript.
Sim, existe um nível gratuito verdadeiro: 60 minutos de média por mês, exportação a 720p e acesso limitado às ferramentas de IA. A ressalva importante são os 100 créditos de IA, atribuídos uma única vez e não renovados mensalmente, pelo que o plano gratuito é uma prova das funções de IA e não uma forma sustentável de as usar continuamente. Os planos pagos começam nos 24 dólares por licença e mês no Hobbyist, cerca de 16 com faturação anual.
A sua gravação é transcrita automaticamente e essa transcrição torna-se a superfície de edição. Apagar uma frase no documento faz desaparecer a imagem e o som correspondentes; mover um parágrafo leva as imagens consigo. Na prática, montar diálogo torna-se bastante mais rápido do que percorrer uma onda sonora, e é por isso que podcasts, entrevistas e tutoriais se editam aqui tão bem.
Da sua própria, ou da de outra pessoa mediante consentimento genuíno. Não é apenas uma recomendação: os termos de utilização proíbem expressamente submeter gravações de terceiros sem autorização, criar uma voz que imite alguém que não tenha consentido de forma explícita e proferir uma declaração de consentimento em nome de outra pessoa. Além disso, o Descript gera uma impressão vocal a partir da declaração de consentimento para autenticar e prevenir fraude, pelo que por trás da exigência existe uma aplicação técnica e não somente um texto contratual.
A indicação oficial em vigor é um guião curto de cerca de 90 segundos. Note que bastantes análises de terceiros continuam a falar de 10 a 30 minutos; isso reflete um estado anterior do procedimento e já não coincide com a página oficial.
Sim, por predefinição. Enquanto não desativar a definição «Share Data with Descript», as suas entradas e saídas podem ser usadas para treinar e melhorar os modelos, e colaboradores, fornecedores e prestadores podem ouvir amostras de áudio para controlo de qualidade. Recusar é simples, mas o estado inicial está ligado, por isso verifique antes de trabalhar com material confidencial ou sujeito a confidencialidade.
A si. Os termos estabelecem que, entre si e o Descript, todos os direitos, títulos e interesses sobre as suas entradas e saídas lhe pertencem. Isso abrange a exploração comercial dos seus resultados, mas não afeta as suas obrigações separadas quanto a material alheio ou a uma voz que tenha clonado.
Realisticamente, do Creator. Os níveis inferiores dão acesso limitado ao Studio Sound, ao Eye Contact, ao croma, à remoção de bordões e às vozes já disponíveis para locução, mas os clones de voz próprios, a geração de vídeo com IA, os avatares personalizados e a tradução e dobragem em 30 idiomas só ficam sem restrições a partir do Creator. É também aí que começam a exportação em 4K e o assistente Underlord completo.
Sim, dentro dos limites do plano. O Creator admite até três elementos e o Business até cinco, com apoio prioritário sujeito a acordo de nível de serviço. O Enterprise negoceia as licenças caso a caso e acrescenta conformidade SOC 2 Type II, além de SSO e SCIM, que é o que as organizações maiores costumam exigir antes da adoção.
Não, e a própria arquitetura explica porquê. Como a montagem é conduzida pela transcrição, o produto brilha em conteúdo sustentado pela fala: podcasts, entrevistas, tutoriais, vídeos de apresentador para a câmara. Para videoclipes musicais, ficção, sequências de ação ou grafismo em movimento complexo, onde os cortes seguem a imagem e não as palavras, um montador de linha de tempo clássico como o Premiere Pro ou o DaVinci Resolve continua a ser o melhor instrumento.
A empresa não publica um valor de exatidão e, na prática, este varia bastante consoante a qualidade do áudio, os sotaques, a fala sobreposta e o vocabulário especializado. Como a transcrição é a superfície de edição, a sua exatidão afeta muito mais do que o texto: determina o quão utilizável se torna todo o processo. Corrigir os erros de transcrição antes de montar é o hábito mais proveitoso que se pode adquirir aqui.
