សំឡេងទៅជាអក្សរ ឥតគិតថ្លៃ

វាដំណើរការដោយរបៀបណា

ការចម្លងសំដីដំណើរការម៉ូដែលស្គាល់ការនិយាយ Whisper ដោយផ្ទាល់ក្នុងកម្មវិធីរុករករបស់អ្នក។ សំឡេងត្រូវបានឌិកូដ ធ្វើគំរូឡើងវិញ និងបញ្ចូលទៅម៉ូដែលនៅលើឧបករណ៍ផ្ទាល់ខ្លួនរបស់អ្នក — ការថតមិនត្រូវបានផ្ទុកឡើងឡើយ។

1. 1
   ឯកសាររបស់អ្នកត្រូវបានឌិកូដទៅ 16 kHz mono

   Whisper ទទួលយកតែទ្រង់ទ្រាយមួយ: សំឡេងឆានែលតែមួយនៅ 16,000 សំណាកក្នុងមួយវិនាទី។ ម៉ាស៊ីនសំឡេងកម្មវិធីរុករកធ្វើការបំប្លែងដោយខ្លួនឯង ដែលសម្រាប់ឯកសារតន្ត្រី និងសំឡេងភាគច្រើនមានន័យថាគ្មានការទាញយកបន្ថែមណាមួយឡើយ។ កុងតឺន័រវីដេអូចម្លែកត្រឡប់ទៅ ffmpeg ដែលបានបញ្ចូល។
2. 2
   ម៉ូដែលទាញយកម្តងគត់ ហើយតែពេលអ្នកសួរ

   ម៉ូដែលការនិយាយមានទំហំប្រហែល 81 MB (ឬ 45 MB សម្រាប់ជម្រើសលឿនជាង ប៉ុន្តែត្រឹមត្រូវតិចជាង) ហើយម៉ាស៊ីនដែលដំណើរការវាបន្ថែមប្រហែល 27 MB។ វាត្រូវបានទាញយកតែក្រោយពេលអ្នកចុចផ្ទុក ហើយរក្សាទុកក្នុងឃ្លាំងសម្ងាត់ ដើម្បីឱ្យការចូលមើលលើកក្រោយចាប់ផ្តើមភ្លាម។ អ្នកអាចលុបវាចេញវិញបានគ្រប់ពេល។
3. 3
   សំឡេងត្រូវបានចម្លងសំដីជាបង្អួច 30-វិនាទី

   Whisper អាន 30 វិនាទីម្តងជាមួយការត្រួតគ្នា 5 វិនាទីនៅជ្រុងនីមួយៗ ដូច្នេះពាក្យដែលឆ្លងកាត់ព្រំដែនមិនត្រូវបានបាត់បង់ឡើយ។ វានេះដំណើរការនៅក្នុងខ្សែស្រឡាយផ្ទៃខាងក្រោយ ដែលនោះជាមូលហេតុទំព័រនៅតែឆ្លើយតប ហើយ Cancel នៅតែធ្វើការ។
4. 4
   អត្ថបទក្លាយជាចំណងជើងរងអានបាន

   លទ្ធផលដើមត្រូវបានបំបែក និងកំណត់ពេលឡើងវិញ ដូច្នេះគ្មានបន្ទាត់ណាមួយលើសពី 42 តួអក្សរ ហើយគ្មានអ្វីរត់លឿនជាង 21 តួអក្សរក្នុងមួយវិនាទីឡើយ — ដែនកំណត់ដូចគ្នាដែលកម្មវិធីកែសម្រួលចំណងជើងរងរបស់យើងត្រួតពិនិត្យ។ ពេលវេលាមិនដែលត្រូវបានលាតដើម្បីត្រូវនឹងគោលដៅទាំងនោះឡើយ ដោយសារវានឹងបង្ហាញខុសអំពីពេលដែលពាក្យត្រូវបានប្រកាស។

ឧបករណ៍ពាក់ព័ន្ធ