ماذا تفعل الأداة
تحوّل أداة تحويل الكلام إلى نص ملف صوت أو فيديو إلى نص مكتوب أو إلى ترجمات SRT أو VTT دون رفع أي شيء. فهي تشغّل نموذج التعرّف على الكلام Whisper من OpenAI مباشرة في متصفحك، لتفرّغ المقابلات والاجتماعات والمحاضرات والمذكرات الصوتية والبودكاست بخصوصية ومجانًا. ويستطيع Whisper أيضًا ترجمة الكلام بلغات أخرى مباشرة إلى نص إنجليزي.
عند اختيار ملف، تفك الصفحة ترميز مساره الصوتي عبر Web Audio API في المتصفح، وتعيد أخذ العينات إلى 16 كيلوهرتز أحادي القناة (الصيغة التي يتوقعها Whisper)، ثم تفرّغه في عامل خلفي على نوافذ مدتها 30 ثانية متداخلة قليلًا، فتعمل التسجيلات الطويلة أيضًا. تظهر النتيجة في مربع الناتج جاهزة للنسخ أو التنزيل بصيغة .txt أو .srt أو .vtt.
طريقة الاستخدام
- اختر النموذج: Tiny الأسرع وSmall الأدق وBase (الافتراضي) توازن جيد.
- اضغط نزّل النموذج وابدأ. في المرة الأولى يُنزَّل النموذج مع شريط تقدّم، وبعدها يحمّله المتصفح من ذاكرته المؤقتة في لحظة.
- أفلت ملف صوت أو فيديو على الصفحة أو اضغط اختر ملفًا. تعمل صيغ MP3 وWAV وM4A وAAC وOGG وOpus وFLAC وWebM وMP4 في معظم المتصفحات حتى 500 ميغابايت. يظهر اسم الملف ومدته وحجمه.
- يبدأ التفريغ تلقائيًا ويعرض عدد المقاطع المنجزة. اضغط تفريغ مرة أخرى بعد تغيير اللغة أو المهمة.
- بدّل تنسيق الناتج بين النص وSRT وVTT في أي وقت دون إعادة التفريغ، ثم انسخه أو نزّله.
تُكتشف لغة الكلام تلقائيًا من أول 30 ثانية. تحديدها بنفسك أسرع ويتجنّب الأخطاء في المقاطع القصيرة. اختر ترجمة إلى الإنجليزية للحصول على نص إنجليزي من كلام بلغة أخرى. يُحفظ النموذج واللغة والمهمة والتنسيق في عنوان الصفحة، لذا يشارك زر مشاركة الإعدادات نفسها، ولا يكون ملفك جزءًا من الرابط أبدًا.
مثال
يبدو مقطع من جملتين مُصدَّر بصيغة SRT هكذا:
1
00:00:00,000 --> 00:00:03,240
Welcome back to the show.
2
00:00:03,240 --> 00:00:07,800
Today we are talking about speech recognition.تستخدم VTT المقاطع نفسها مع ترويسة WEBVTT ونقطة قبل أجزاء الثانية، وهي الصيغة التي تقرؤها مشغلات الفيديو في HTML5.
الخصوصية والدقة والمتطلبات
بعد تنزيل النموذج يجري كل شيء على جهازك، لذا تناسب الأداة التسجيلات السرية. تحتاج إلى إصدار حديث من Chrome أو Edge أو Firefox أو Safari يدعم WebAssembly. عند توفر WebGPU (Chrome وEdge على معظم الحواسيب) يُستخدم تلقائيًا وهو أسرع بكثير، وإلا تنتقل الأداة إلى WebAssembly. تحتاج الملفات الطويلة إلى ذاكرة: ساعة من الصوت تشغل بضع مئات من الميغابايتات بعد فك الترميز، ويحتاج Small إلى أكثر مما يحتاجه Tiny أو Base، فأغلق علامات التبويب الثقيلة على الهاتف. أبقِ علامة التبويب مفتوحة حتى الانتهاء.
يجيد Whisper الكلام الواضح ويتحمّل اللهجات والضوضاء الخلفية إلى حد معقول، لكنه قد يخطئ في الأسماء والمصطلحات التقنية، وقد يكرر جملة أو يختلقها عند الصمت أو الموسيقى. راجع النص قبل نشره. لا تتعرّف الأداة على المتحدثين، ولا تُفرَّغ ملفات الفيديو إلا إذا استطاع متصفحك فك ترميز صوتها.
الأسئلة الشائعة
› هل يُرفع صوتي إلى خادم؟
لا. يُفك ترميز الملف ويُفرَّغ داخل متصفحك. الطلب الشبكي الوحيد هو تنزيل ملفات نموذج Whisper من Hugging Face لمرة واحدة؛ لا يغادر الصوت أو الفيديو أو النص المفرَّغ جهازك أبدًا.
› ما النموذج المستخدم، وما ترخيصه؟
OpenAI Whisper (tiny أو base أو small) بنسخ ONNX التي تنشرها onnx-community على Hugging Face، ويعمل بمكتبة transformers.js المرخّصة بـ Apache-2.0. تنشر OpenAI شيفرة Whisper وأوزانه بترخيص MIT.
› ما حجم التنزيل وكم يستغرق؟
نحو 40 ميغابايت لـ Tiny و80 لـ Base و250 لـ Small (أكثر قليلًا مع WebGPU لأن المرمّز يعمل بدقة كاملة). يُنزَّل مرة واحدة ثم يُحفظ في ذاكرة المتصفح المؤقتة. تعتمد السرعة على جهازك: مع WebGPU يكون Base عادةً أسرع من الزمن الحقيقي بعدة مرات، ومع WebAssembly قد يقترب من الزمن الحقيقي.
› ما اللغات المدعومة؟
يتعرّف Whisper على نحو 99 لغة، وتعرض القائمة أكثرها شيوعًا، ومنها العربية والإنجليزية والفرنسية والإسبانية والصينية واليابانية والتركية. تكون الدقة أعلى في الإنجليزية واللغات الواسعة الانتشار وتنخفض في اللغات الأقل شيوعًا، خاصة مع Tiny وBase. يستمع الاكتشاف التلقائي إلى أول 30 ثانية؛ اختر اللغة بنفسك إن بدأ التسجيل بموسيقى أو بلغة أخرى.
› هل يمكنه إنشاء ترجمات أو التمييز بين المتحدثين؟
يُنشئ ترجمات SRT وWebVTT بتوقيت لكل مقطع يمكنك تحميلها في YouTube أو VLC أو محرر فيديو. لا يميّز بين المتحدثين، والتوقيت على مستوى العبارة لا الكلمة.