Акысыз Аудиону текстке айландыруу

Бул кантип иштейт

Транскрипция Whisper сүйлөшүү-таануу моделин түз браузериңизде иштетет. Аудио декодтолот, кайра-үлгүлөнөт жана өз түзмөгүңүздө моделге берилет — жаздыруу эч качан жүктөлбөйт.

1. 1
   Файлыңыз 16 кГц моного декодтолот

   Whisper жалгыз бир форматты кабыл алат: секундасына 16,000 үлгүлүү жалгыз-каналдуу аудио. Браузердин аудио кыймылдаткычы айландырууну өзү жасайт, бул көпчүлүк музыка жана үн файлдары үчүн эч кандай кошумча жүктөө деген сөз эмес. Кадимки эмес видео контейнерлер топтоштурулган ffmpeg'ge кайтат.
2. 2
   Модель бир жолу, сиз сураганда гана жүктөлөт

   Сүйлөшүү модели болжол менен 81 МБ (же тезирээк, аз так вариант үчүн 45 МБ). Ал Жүктөө басканыңыздан кийин гана алынат, андан кийин кэштелет, ошондуктан кийинки жолу дароо башталат. Аны каалаган учурда кайра алып салсаңыз болот.
3. 3
   Аудио 30-секунддук терезелерде транскрипцияланат

   Whisper бир учурда 30 секунд окуйт, ар бир жагында 5 секунд кабатташуу менен, ошондуктан чегара боюнча жаткан сөздөр жоголбойт. Бул фондук агымда болот, ошондуктан барак жооп берүүчү бойдон калат жана Токтотуу иштей берет.
4. 4
   Текст окулуучу субтитрлерге айланат

   Чийки чыгуу эч бир сап 42 символдон ашпашы жана эч нерсе секундасына 21 символдон тезирээк өтпөшү үчүн бөлүнүп, кайра убакыттандырылат — биздин Subtitle Editor текшере турган ошол эле чектер. Убакыттар бул максаттарга жетиш үчүн эч качан созулбайт, анткени бул сөздөр качан айтылганын туура эмес көрсөтмөк.

Байланыштуу куралдар