Zvuk na text zdarma

Jak to funguje

Přepis spouští model rozpoznávání řeči Whisper přímo ve vašem prohlížeči. Zvuk se dekóduje, převzorkuje a přivádí do modelu na vašem vlastním zařízení — nahrávka se nikdy nenahrává.

1. 1
   Váš soubor se dekóduje na 16 kHz mono

   Whisper přijímá jen jeden formát: jednokanálový zvuk s 16 000 vzorky za sekundu. Zvukový engine prohlížeče provádí převod sám, což u většiny hudebních a hlasových souborů znamená žádné extra stahování. Neobvyklé video kontejnery přecházejí na přiložený ffmpeg.
2. 2
   Model se stahuje jen jednou, a jen když si o to řeknete

   Model řeči má kolem 81 MB (nebo 45 MB u rychlejší, méně přesné varianty) a modul, který ho spouští, přidává asi 27 MB. Stáhne se až po stisknutí Načíst a pak se uloží do mezipaměti, takže další návštěvy začnou okamžitě. Kdykoli ho můžete znovu odstranit.
3. 3
   Zvuk se přepisuje po 30sekundových oknech

   Whisper čte po 30 sekundách s 5sekundovým překryvem na každé straně, takže slova rozprostřená přes hranici se neztratí. Toto běží ve vlákně na pozadí, což je důvod, proč stránka zůstává responzivní a Zrušit stále funguje.
4. 4
   Text se stává čitelnými titulky

   Surový výstup se rozdělí a přečasuje, takže žádný řádek nepřesáhne 42 znaků a nic se nežene rychleji než 21 znaků za sekundu — stejné limity, proti kterým kontroluje náš Editor titulků. Časování se nikdy nenatahuje, aby splnilo tyto cíle, protože by to zkreslilo, kdy byla slova skutečně řečena.

Související nástroje