Transkrypcja na żywo

Co robi to narzędzie

Transkrypcja na żywo zamienia to, co mówisz, na tekst w trakcie mówienia. Kliknij Start, mów do mikrofonu, a każde zdanie pojawi się w transkrypcji chwilę po pauzie. Działa to jak dyktowanie lub pisanie głosowe, ale rozpoznawanie mowy odbywa się w całości w przeglądarce, bez konta, bez serwera i bez wysyłania dźwięku poza komputer.

Model rozpoznawania to Moonshine, otwarty model zamiany mowy na tekst od Useful Sensors, zaprojektowany do transkrypcji na żywo na samym urządzeniu. Szybko radzi sobie z krótkimi frazami, dlatego dobrze nadaje się do transkrypcji zdanie po zdaniu. Narzędzie uruchamia go przez Transformers.js i ONNX Runtime Web, na WebGPU, jeśli przeglądarka go ma, a w przeciwnym razie na WebAssembly.

To narzędzie obsługuje tylko angielski.

Jak używać

1. Wybierz model. Base jest dokładniejszy, Tiny mniejszy i szybszy na wolnych komputerach.
2. Kliknij Pobierz model i zacznij. Model pobiera się raz (około 120 MB dla Base, 50 MB dla Tiny), potem przeglądarka poprosi o dostęp do mikrofonu. Zezwól na niego.
3. Mów normalnie. Wskaźnik poziomu pokazuje głośność wejścia i robi się zielony, gdy słychać mowę. Po pauzie fraza trafia do modelu, a tekst pojawia się w nowym wierszu.
4. Kliknij Stop, aby zwolnić mikrofon. Kliknij ponownie Start, aby kontynuować; znaczniki czasu liczą dalej od miejsca zatrzymania.
5. Użyj Kopiuj lub Pobierz .txt, aby zachować transkrypcję, albo Wyczyść, aby zacząć od nowa. Ustaw Kolejność na Najnowsze najpierw, aby ostatni wiersz był na górze; kopiowanie i pobieranie zachowują tę samą kolejność.

Przykład

Przy włączonych znacznikach czasu krótka notatka podyktowana po angielsku wygląda tak:

[00:00] Let's start with the quarterly numbers.
[00:04] Revenue is up twelve percent compared to last year.
[00:09] Next, I want to talk about hiring.

Wyłącz znaczniki czasu, aby dostać zwykłe wiersze gotowe do wklejenia do e-maila, dokumentu lub aplikacji z notatkami.

Dostrajanie wykrywania

Prosty detektor aktywności głosowej słucha głośności mikrofonu i decyduje, gdzie zdania się zaczynają i kończą. Sterują nim trzy ustawienia:

• Próg mowy określa, jak głośny musi być dźwięk, żeby liczył się jako mowa. Wybierz głośniejszy poziom, jeśli szum tła utrzymuje wskaźnik na zielono, albo czulszy, jeśli cicha mowa umyka.
• Pauza kończąca wiersz to ilość ciszy potrzebna przed transkrypcją frazy. Krótsze pauzy dają szybsze wyniki, dłuższe trzymają zdania w całości.
• Najdłuższy wiersz dzieli bardzo długie fragmenty mowy, aby transkrypcja postępowała, nawet jeśli nie robisz pauz.

Te ustawienia działają od następnego kliknięcia Start. Wybór modelu i znaczniki czasu są zapisywane w adresie strony, więc możesz dodać swoją konfigurację do zakładek lub ją udostępnić. Sama transkrypcja nigdy nie trafia do linku.

Model, licencja i ograniczenia

Narzędzie korzysta z onnx-community/moonshine-base-ONNX lub onnx-community/moonshine-tiny-ONNX, czyli wersji ONNX angielskich modeli Moonshine wydanych na licencji MIT. Transformers.js ma licencję Apache-2.0. Dokładność jest najlepsza, gdy jedna osoba mówi wyraźnie blisko mikrofonu; imiona, rzadkie słowa i mocny akcent mogą zostać źle rozpoznane, a interpunkcję zgaduje model. Do nagranych plików audio użyj narzędzia mowa na tekst.