Àudio a text de franc

Com funciona

La transcripció executa un model de reconeixement de veu Whisper directament al teu navegador. L'àudio es descodifica, es torna a mostrejar, i s'alimenta al model al teu propi dispositiu — l'enregistrament mai es puja.

1. 1
   El teu fitxer es descodifica a 16 kHz mono

   Whisper només accepta un format: àudio d'un sol canal a 16.000 mostres per segon. El motor d'àudio del navegador fa la conversió ell mateix, cosa que per a la majoria de fitxers de música i veu vol dir cap descàrrega addicional. Els contenidors de vídeo poc habituals recorren a l'ffmpeg inclòs.
2. 2
   El model es descarrega una vegada, i només quan ho demanes

   El model de veu fa uns 81 MB (o 45 MB per a l'opció més ràpida però menys precisa), i el motor que l'executa n'hi afegeix uns 27. Només es descarrega després de prémer Carrega, i després es desa a la memòria cau perquè les visites següents comencin a l'instant. Podeu eliminar-lo de nou en qualsevol moment.
3. 3
   L'àudio es transcriu en finestres de 30 segons

   Whisper llegeix 30 segons alhora amb 5 segons de superposició a cada costat, així les paraules que travessen un límit no es perden. Això s'executa en un fil de fons, per això la pàgina es manté receptiva i Cancel·la continua funcionant.
4. 4
   El text esdevé subtítols llegibles

   La sortida bruta es divideix i es torna a temporitzar perquè cap línia superi els 42 caràcters i res passi més ràpid de 21 caràcters per segon — els mateixos límits contra els quals comprova el nostre Editor de subtítols. Les temporitzacions mai s'estiren per encertar aquests objectius, perquè això tergiversaria quan es van dir les paraules.

Eines relacionades