Zvuk u tekst — besplatno

Kako funkcioniše

Transkripcija pokreće Whisper model za prepoznavanje govora direktno u vašem pregledaču. Zvuk se dekodira, ponovo uzorkuje i predaje modelu na vašem sopstvenom uređaju — snimak se nikada ne otprema.

1. 1
   Vaš fajl se dekodira u mono na 16 kHz

   Whisper prihvata samo jedan format: jednokanalni zvuk na 16.000 uzoraka u sekundi. Audio mehanizam pregledača sam vrši konverziju, što za većinu muzičkih i glasovnih fajlova znači bez ikakvog dodatnog preuzimanja. Neuobičajeni video kontejneri se oslanjaju na ugrađen ffmpeg.
2. 2
   Model se preuzima jednom, i samo kada zatražite

   Govorni model ima oko 81 MB (ili 45 MB za bržu, manje tačnu opciju), a mašina koja ga pokreće dodaje oko 27 MB. Preuzima se tek kada pritisnete Učitaj, a zatim se kešira da bi sledeće posete počinjale odmah. Možete ga ukloniti u bilo kom trenutku.
3. 3
   Zvuk se transkribuje u prozorima od 30 sekundi

   Whisper čita po 30 sekundi sa preklapanjem od 5 sekundi na svakoj strani, tako da reči koje prelaze granicu nisu izgubljene. Ovo radi u pozadinskoj niti, zbog čega stranica ostaje odzivna i Otkaži nastavlja da radi.
4. 4
   Tekst postaje čitljivi titlovi

   Sirovi izlaz se deli i ponovo tajmuje tako da nijedna linija ne prelazi 42 znaka i ništa ne juri brže od 21 znaka u sekundi — isti limiti prema kojima naš Editor titlova proverava. Tajminzi se nikada ne rastežu da bi dostigli te ciljeve, jer bi to pogrešno predstavilo kada su reči izgovorene.

Slične alatke