အခမဲ့ အသံမှ စာသားသို့

မည်သို့ အလုပ်လုပ်သည်

Transcription သည် Whisper speech-recognition model ကို သင့် browser ထဲတွင် တိုက်ရိုက် run လုပ်သည်။ Audio ကို decode, resample လုပ်ပြီး model ထံသို့ သင့်စက်ပေါ်တွင် ပေးပို့သည် — recording ကို ဘယ်တော့မှ upload မလုပ်ပါ။

1. 1
   သင့်ဖိုင်ကို 16 kHz mono သို့ decode လုပ်ထားသည်

   Whisper သည် format တစ်ခုတည်းကိုသာ လက်ခံသည်: channel တစ်ခုတည်း audio, 16,000 samples per second။ Browser audio engine သည် ပြောင်းလဲမှုကို ကိုယ်တိုင် လုပ်ဆောင်ပေးသည်၊ ဂီတနှင့် စကားသံ ဖိုင်အများစုအတွက် ထပ်ဆောင်း ဒေါင်းလုဒ် လုံးဝ မလိုအပ်ကြောင်း ဆိုလိုသည်။ ထူးခြားသော ဗီဒီယို container များသည် ထုပ်ပိုးထားသော ffmpeg သို့ fallback ဖြစ်သည်။
2. 2
   Model ကို တစ်ကြိမ်တည်း ဒေါင်းလုဒ်ချပြီး သင်တောင်းသောအခါသာ

   စကားပြောမော်ဒယ်သည် ခန့်မှန်း 81 MB (သို့မဟုတ် ပိုမြန်၍ တိကျမှုနည်းသော ရွေးချယ်မှုအတွက် 45 MB) ဖြစ်ပြီး ၎င်းကို လည်ပတ်စေသော အင်ဂျင်က ခန့်မှန်း 27 MB ထပ်ပေါင်းသည်။ ဖွင့်ရန် (Load) ကို နှိပ်ပြီးမှသာ ယူပြီး cache လုပ်ထားသဖြင့် နောက်လာရောက်မှုများ ချက်ချင်း စတင်သည်။ အချိန်မရွေး ပြန်ဖယ်ရှားနိုင်သည်။
3. 3
   Audio ကို 30-စက္ကန့် window များတွင် transcribe လုပ်ထားသည်

   Whisper သည် တစ်ကြိမ်လျှင် 30 စက္ကန့်ကို ဘက်နှစ်ဖက်တွင် overlap 5 စက္ကန့်ဖြင့် ဖတ်သည်၊ boundary တစ်ခု ဖြတ်နေသော စကားလုံးများ မပျောက်ဆုံးစေရန်။ ၎င်းသည် background thread တစ်ခုတွင် run လုပ်သဖြင့် စာမျက်နှာ responsive ဆက်ရှိနေပြီး Cancel ဆက်လက် အလုပ်လုပ်ခွင့်ရှိသည်။
4. 4
   စာသားသည် ဖတ်ရလွယ်သော စာတန်းများ ဖြစ်လာသည်

   Raw output ကို ခွဲပြီး အချိန်ပြန်ချသဖြင့် မည်သည့်စာကြောင်းမျှ စာလုံး 42 လုံးထက် မကျော်ဘဲ မည်သည့်အရာမျှ တစ်စက္ကန့်လျှင် စာလုံး 21 လုံးထက် မမြန်ပါ — ဤကန့်သတ်ချက်များသည် ကျွန်ုပ်တို့၏ Subtitle Editor စစ်ဆေးသည့် ကန့်သတ်ချက်များနှင့် တူညီသည်။ Timing များကို ထိုပစ်မှတ်များရောက်ရန် ဘယ်တော့မှ ဆွဲဆန့်ထားခြင်းမရှိပါ၊ ၎င်းသည် စကားလုံးများ ပြောခဲ့သည့်အချိန်ကို မှားယွင်းစွာ ကိုယ်စားပြုမည်ဖြစ်သောကြောင့် ဖြစ်သည်။

ဆက်နွှယ်သော ကိရိယာများ