Conversor de áudio para SRT

Propósito e intenção do usuário: ferramenta converte faixas de áudio em legendas SRT. Público-alvo: editores de vídeo, criadores de conteúdo, podcasters, docentes e equipes de acessibilidade que precisam de legendas prontas com sincronização precisa. Resolve o problema de produzir transcrições com marcação de tempo sem digitar manualmente, acelerando fluxos de trabalho e alcance.\n\nLógica central & recursos: reconhecimento de fala automático com alinhamento temporal, restauração de pontuação e diarização opcional. Funcionalidades obrigatórias: ingestão de áudio, seleção de idioma, saída em SRT com carimbos de tempo. Funcionalidades opcionais/avançadas: formatos de legenda alternativos (VTT), chunking para arquivos longos, pontuação de confiança e remoção de ruído. A ferramenta funciona sem estado e produz um SRT completo a partir do áudio fornecido. Exemplo: converter_audio.mp3 → subtitles.srt, idioma en, tempos 00:00:01,000 → 00:00:04,500.\n\nEntradas & Saídas: Entradas: audio_source (caminho ou URL, obrigatório), language (código ISO 639-1, opcional, padrão en), use_timestamps (Boolean, padrão true), subtitle_format (String, padrão srt), chunk_duration (inteiro, segundos, opcional). Saídas: srt_text (UTF-8, formato SRT), summary (objeto com duração e idioma) e formatos alternativos. Validação: audio_source não vazio; language com duas letras; subtitle_format permitido; chunk_duration positivo se fornecido.\n\nAlgoritmos & Cálculos: Transcrição usa modelo acústico com alinhamento de tempo. Segmentos criados por detecção de atividade de voz; cada segmento gera um bloco de subtítulo com índice, início e fim. Restauração de pontuação e quebra de linha aplicadas. Se use_timestamps for falso, tempos são omitidos; pode haver um único bloco.\n\nIndústria/Região & Localização: Usa UTF-8; carimbos de tempo HH:MM:SS,mmm; padrão SRT; suporta códigos de idioma ISO; gerencia metadados de tempo, se presentes.\n\nSuposições & Exclusões: Acesso ao arquivo de áudio é presumido; não há garantia de precisão perfeita; sem revisão humana por padrão; não há processamento de vídeo nem remoção de metadados.