Аудио в текст — бесплатно

Как это работает

Транскрибирование выполняется моделью распознавания речи Whisper прямо в вашем браузере. Аудио декодируется, ресемплируется и подаётся в модель на вашем собственном устройстве — запись никогда не загружается на сервер.

1. 1
   Ваш файл декодируется в моно 16 кГц

   Whisper принимает только один формат: одноканальное аудио с частотой дискретизации 16 000 сэмплов в секунду. Аудиодвижок браузера выполняет преобразование самостоятельно, что для большинства музыкальных и голосовых файлов означает вообще отсутствие дополнительной загрузки. Необычные видеоконтейнеры обрабатываются встроенным ffmpeg.
2. 2
   Модель скачивается один раз, и только когда вы попросите

   Речевая модель занимает около 81 МБ (или 45 МБ для более быстрого и менее точного варианта), а запускающий её движок добавляет около 27 МБ. Она загружается только после нажатия «Загрузить» и кэшируется, поэтому при следующих визитах запуск мгновенный. Её можно удалить в любой момент.
3. 3
   Аудио транскрибируется окнами по 30 секунд

   Whisper считывает по 30 секунд за раз с перекрытием в 5 секунд с каждой стороны, чтобы слова на границе окна не терялись. Это выполняется в фоновом потоке, поэтому страница остаётся отзывчивой, а «Отмена» продолжает работать.
4. 4
   Текст превращается в читаемые субтитры

   Необработанный результат разбивается и заново размечается по времени так, чтобы ни одна строка не превышала 42 символа и текст не пролетал быстрее 21 символа в секунду — те же ограничения, которые проверяет наш редактор субтитров. Тайминги никогда не растягиваются ради этих пределов, поскольку это исказило бы момент, когда слова были фактически произнесены.

Похожие инструменты