Audio a texto de balde

Como funciona

A transcrición executa un modelo de recoñecemento de voz Whisper directamente no teu navegador. O audio decodifícase, remostréase e aliméntase ao modelo no teu propio dispositivo — a gravación nunca se sube.

1. 1
   O teu ficheiro decodifícase a 16 kHz mono

   Whisper só acepta un formato: audio dunha canle a 16.000 mostras por segundo. O propio motor de audio do navegador fai a conversión, o que para a maioría de ficheiros de música e voz significa sen descarga extra ningunha. Os contedores de vídeo pouco comúns recorren ao ffmpeg incluído.
2. 2
   O modelo descárgase unha vez, e só cando o pides

   O modelo de voz ocupa uns 81 MB (ou 45 MB na opción máis rápida e menos precisa), e o motor que o executa engade uns 27 MB. Só se obtén despois de premer Cargar e despois gárdase na caché para que as visitas seguintes comecen ao instante. Podes eliminalo en calquera momento.
3. 3
   O audio transcríbese en xanelas de 30 segundos

   Whisper le 30 segundos de cada vez cunha superposición de 5 segundos en cada lado, así que as palabras que cruzan un límite non se perden. Isto execútase nun fío de fondo, que é por que a páxina segue respondendo e Cancelar segue funcionando.
4. 4
   O texto convértese en subtítulos lexibles

   A saída en bruto divídese e retemporízase para que ningunha liña supere os 42 caracteres e nada corra máis rápido de 21 caracteres por segundo — os mesmos límites que comproba o noso Editor de Subtítulos. As temporizacións nunca se estiran para acadar eses obxectivos, porque iso tergiversaría cando se dixeron as palabras.

Ferramentas relacionadas