เสียงเป็นข้อความ ฟรี

วิธีการทำงาน

การถอดเสียงทำงานด้วยโมเดลจดจำเสียงพูด Whisper โดยตรงในเบราว์เซอร์ของคุณ เสียงถูกถอดรหัส สุ่มตัวอย่างใหม่ และป้อนเข้าสู่โมเดลบนอุปกรณ์ของคุณเอง — การบันทึกไม่เคยถูกอัปโหลด

1. 1
   ไฟล์ของคุณถูกถอดรหัสเป็น 16 kHz โมโน

   Whisper รับเพียงรูปแบบเดียว: เสียงช่องเดียวที่ 16,000 ตัวอย่างต่อวินาที เอนจินเสียงของเบราว์เซอร์ทำการแปลงเอง ซึ่งสำหรับไฟล์เพลงและเสียงพูดส่วนใหญ่หมายถึงไม่ต้องดาวน์โหลดเพิ่มเลย คอนเทนเนอร์วิดีโอที่ผิดปกติจะใช้ ffmpeg ที่ติดตั้งมาแทน
2. 2
   โมเดลดาวน์โหลดเพียงครั้งเดียว และเฉพาะเมื่อคุณขอ

   โมเดลเสียงพูดมีขนาดประมาณ 81 MB (หรือ 45 MB สำหรับตัวเลือกที่เร็วกว่าแต่แม่นยำน้อยกว่า) และเอนจินที่รันมันเพิ่มอีกประมาณ 27 MB จะดึงมาหลังจากกดโหลดเท่านั้น แล้วแคชไว้เพื่อให้ครั้งต่อไปเริ่มได้ทันที คุณลบออกได้ทุกเมื่อ
3. 3
   เสียงถูกถอดความในหน้าต่างขนาด 30 วินาที

   Whisper อ่านทีละ 30 วินาที โดยซ้อนทับกัน 5 วินาทีที่แต่ละด้าน ดังนั้นคำที่คาบเกี่ยวขอบเขตจึงไม่หายไป การทำงานนี้เกิดในเธรดพื้นหลัง ซึ่งเป็นเหตุผลที่หน้าเว็บยังตอบสนองได้และปุ่มยกเลิกยังคงทำงาน
4. 4
   ข้อความกลายเป็นคำบรรยายที่อ่านง่าย

   ผลลัพธ์ดิบถูกแบ่งและปรับเวลาใหม่เพื่อไม่ให้บรรทัดใดเกิน 42 ตัวอักษรและไม่มีอะไรวิ่งเร็วกว่า 21 ตัวอักษรต่อวินาที — ขีดจำกัดเดียวกับที่ตัวแก้ไขคำบรรยายของเราตรวจสอบ ระยะเวลาไม่เคยถูกยืดเพื่อให้ตรงเป้าหมายเหล่านั้น เพราะนั่นจะบิดเบือนเวลาที่คำพูดถูกพูดจริง

เครื่องมือที่เกี่ยวข้อง