Cosa fa
Questo strumento da voce a testo trasforma un file audio o video in una trascrizione scritta o in sottotitoli SRT o VTT, senza caricare nulla. Esegue il modello di riconoscimento vocale Whisper di OpenAI direttamente nel browser, così puoi trascrivere interviste, riunioni, lezioni, note vocali e podcast in modo privato e gratuito. Whisper può anche tradurre in inglese il parlato in altre lingue.
Scelto il file, la pagina decodifica la traccia audio con la Web Audio API del browser, la ricampiona a 16 kHz mono (il formato che Whisper si aspetta) e la trascrive in un worker in background a finestre di 30 secondi leggermente sovrapposte, quindi funziona anche con registrazioni lunghe. Il risultato compare nel riquadro di output, pronto da copiare o scaricare come .txt, .srt o .vtt.
Come si usa
- Scegli un modello: Tiny è il più veloce, Small il più preciso e Base (predefinito) un buon compromesso.
- Premi Scarica il modello e inizia. La prima volta il modello si scarica con una barra di avanzamento; poi il browser lo carica dalla cache in un attimo.
- Trascina un file audio o video sulla pagina o premi Scegli file. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM e MP4 funzionano nella maggior parte dei browser, fino a 500 MB. Vengono mostrati nome, durata e dimensione.
- La trascrizione parte da sola e indica quanti segmenti sono pronti. Premi Trascrivi di nuovo dopo aver cambiato lingua o attività.
- Cambia il formato di output tra testo, SRT e VTT quando vuoi, senza rifare la trascrizione. Poi copia o scarica.
La lingua parlata viene rilevata automaticamente dai primi 30 secondi. Impostarla tu è più veloce ed evita errori con clip brevi. Scegli Traduci in inglese per ottenere testo inglese da parlato in un’altra lingua. Modello, lingua, attività e formato sono salvati nell’indirizzo della pagina, quindi il pulsante Condividi porta alle stesse impostazioni; il file non fa mai parte del link.
Esempio
Una clip di due frasi esportata in SRT appare così:
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.Il VTT usa gli stessi blocchi con un’intestazione WEBVTT e un punto prima dei millisecondi, il formato letto dai player video HTML5.
Privacy, precisione e requisiti
Dopo il download del modello tutto avviene sul tuo dispositivo, quindi lo strumento è adatto anche a registrazioni riservate. Serve un Chrome, Edge, Firefox o Safari recente con WebAssembly. Dove è disponibile WebGPU (Chrome ed Edge sulla maggior parte dei computer) viene usato automaticamente ed è molto più veloce; altrimenti si ripiega su WebAssembly. I file lunghi richiedono memoria: un’ora di audio occupa qualche centinaio di megabyte una volta decodificata, e Small ne richiede più di Tiny o Base; sul telefono chiudi le altre schede pesanti. Tieni la scheda aperta fino alla fine.
Whisper funziona bene con un parlato chiaro e gestisce abbastanza bene accenti e rumore di fondo, ma può fraintendere nomi e termini tecnici e, su silenzio o musica, a volte ripete o inventa una frase. Rileggi la trascrizione prima di pubblicarla. Lo strumento non identifica chi parla, e i video vengono trascritti solo se il browser sa decodificarne il codec audio.
Domande frequenti
› Il mio audio viene caricato su un server?
No. Il file viene decodificato e trascritto nel browser. L’unica richiesta di rete è il download, una sola volta, dei file del modello Whisper da Hugging Face; audio, video e trascrizione non lasciano mai il dispositivo.
› Quale modello usa e con quale licenza?
OpenAI Whisper (tiny, base o small), nelle versioni ONNX pubblicate da onnx-community su Hugging Face, eseguito con la libreria transformers.js (Apache-2.0). OpenAI rilascia codice e pesi di Whisper con licenza MIT.
› Quanto pesa il download e quanto ci vuole?
Circa 40 MB per Tiny, 80 MB per Base e 250 MB per Small (un po’ di più con WebGPU, che usa un encoder a precisione piena). Si scarica una volta e poi resta nella cache del browser. La velocità dipende dal dispositivo: con WebGPU, Base è di solito parecchie volte più veloce del tempo reale; con WebAssembly può avvicinarsi al tempo reale.
› Quali lingue supporta?
Whisper riconosce circa 99 lingue e l’elenco mostra le più comuni, tra cui italiano, inglese, spagnolo, francese, tedesco, cinese e giapponese. La precisione è migliore in inglese e nelle lingue più diffuse e cala in quelle rare, soprattutto con Tiny e Base. Il rilevamento automatico ascolta i primi 30 secondi; scegli tu la lingua se la registrazione inizia con musica o un’altra lingua.
› Può creare sottotitoli o distinguere chi parla?
Crea sottotitoli SRT e WebVTT con tempi per segmento, da caricare su YouTube, VLC o in un editor video. Non distingue chi parla, e i tempi sono per frase, non per parola.