Gratis Klank na teks

Hoe dit werk

Transkripsie loop 'n Whisper-spraakherkenningsmodel direk in jou blaaier. Die oudio word gedekodeer, herbemonster, en aan die model op jou eie toestel gevoer — die opname word nooit opgelaai nie.

1. 1
   Jou lêer word na 16 kHz-mono gedekodeer

   Whisper aanvaar slegs een formaat: enkelkanaal-oudio teen 16 000 monsters per sekonde. Die blaaier-oudio-enjin doen die omskakeling self, wat vir die meeste musiek- en stemlêers geen ekstra aflaai beteken nie. Ongewone video-houers val terug op die gebundelde ffmpeg.
2. 2
   Die model laai eenmalig af, en slegs wanneer jy vra

   Die spraakmodel is ongeveer 81 MB (of 45 MB vir die vinniger, minder akkurate opsie), en die enjin wat dit laat loop voeg ongeveer 27 MB by. Dit word eers gehaal nadat jy Laai druk, en dan gekas sodat latere besoeke dadelik begin. Jy kan dit enige tyd weer verwyder.
3. 3
   Oudio word in 30-sekonde-vensters getranskribeer

   Whisper lees 30 sekondes op 'n slag met 5 sekondes oorvleueling aan elke kant, sodat woorde wat oor 'n grens strek nie verlore gaan nie. Dit loop in 'n agtergronddraad, en daarom bly die bladsy reageer en Kanselleer bly werk.
4. 4
   Teks word leesbare onderskrifte

   Rou uitset word verdeel en her-tydsbepaal sodat geen lyn 42 karakters oorskry nie en niks vinniger as 21 karakters 'n sekonde jaag nie — dieselfde perke wat ons Onderskrif-redigeerder teen kontroleer. Tydsberekening word nooit gerek om daardie teikens te tref nie, want dit sou verkeerd voorstel wanneer die woorde gesê is.

Verwante gereedskap