Besplatan Audio u tekst

Kako radi

Transkripcija pokreće model prepoznavanja govora Whisper direktno u vašem pregledniku. Zvuk se dekodira, ponovo uzorkuje i predaje modelu na vašem vlastitom uređaju — snimak se nikada ne šalje.

1. 1
   Vaša datoteka se dekodira u 16 kHz mono

   Whisper prihvata samo jedan format: jednokanalni zvuk na 16.000 uzoraka u sekundi. Audio mehanizam preglednika sam radi konverziju, što za većinu muzičkih i glasovnih datoteka znači nikakvo dodatno preuzimanje. Neuobičajeni video kontejneri se vraćaju na ugrađeni ffmpeg.
2. 2
   Model se preuzima jednom, i samo kada zatražite

   Model govora je oko 81 MB (ili 45 MB za bržu, manje tačnu opciju). Dohvata se tek nakon što pritisnete Učitaj, zatim se čuva u kešu tako da kasnije posjete počinju trenutno. Možete ga ponovo ukloniti u bilo kojem trenutku.
3. 3
   Zvuk se transkribuje u prozorima od 30 sekundi

   Whisper čita 30 sekundi odjednom sa 5 sekundi preklapanja na svakoj strani, tako da riječi koje se protežu preko granice nisu izgubljene. Ovo radi u pozadinskoj niti, zbog čega stranica ostaje responzivna a Otkaži nastavlja da radi.
4. 4
   Tekst postaje čitljiv titl

   Sirov izlaz se dijeli i ponovo vremenski usklađuje tako da nijedan red ne premaši 42 znaka i ništa se ne kreće brže od 21 znaka u sekundi — isti limiti koje naš Editor titlova provjerava. Tempo se nikada ne rasteže da pogodi te ciljeve, jer bi to pogrešno predstavilo kad su riječi izgovorene.

Povezani alati