Аудио в текст — безплатно

Как работи

Транскрибирането изпълнява модел за разпознаване на реч Whisper директно във вашия браузър. Звукът се декодира, преизчислява честотата на дискретизация и се подава на модела на собственото ви устройство — записът никога не се качва.

1. 1
   Файлът ви се декодира до 16 kHz моно

   Whisper приема само един формат: едноканален звук при 16 000 семпъла в секунда. Аудио двигателят на браузъра извършва преобразуването сам, което за повечето музикални и гласови файлове означава без никакво допълнително изтегляне. Необичайни видео контейнери преминават към вградения ffmpeg.
2. 2
   Моделът се изтегля еднократно, и то само когато поискате

   Речевият модел е около 81 MB (или 45 MB за по-бързата, но по-малко точна опция), а енджинът, който го изпълнява, добавя около 27 MB. Изтегля се едва след като натиснете „Зареди“, после се кешира, така че следващите посещения започват мигновено. Можете да го премахнете отново по всяко време.
3. 3
   Звукът се транскрибира в 30-секундни прозорци

   Whisper чете по 30 секунди наведнъж с 5-секундно припокриване от всяка страна, така че думи на границата не се губят. Това работи във фонова нишка, поради което страницата остава отзивчива, а „Отказ“ продължава да работи.
4. 4
   Текстът се превръща в четими субтитри

   Суровият изход се разделя и преизчислява по време, така че нито един ред да не надвишава 42 символа и нищо да не препуска по-бързо от 21 символа в секунда — същите ограничения, спрямо които проверява нашият редактор на субтитри. Времената никога не се разтягат, за да достигнат тези цели, защото това би представило погрешно кога реално са изречени думите.

Свързани инструменти