Mowa na tekst

Do czego służy

To narzędzie zamienia plik audio lub wideo na pisemną transkrypcję albo napisy SRT lub VTT, niczego nie wysyłając. Uruchamia model rozpoznawania mowy Whisper od OpenAI bezpośrednio w przeglądarce, więc wywiady, spotkania, wykłady, notatki głosowe i podcasty możesz transkrybować prywatnie i za darmo. Whisper potrafi też od razu tłumaczyć mowę w innych językach na tekst angielski.

Po wybraniu pliku strona dekoduje ścieżkę dźwiękową przez Web Audio API przeglądarki, przepróbkowuje ją do 16 kHz mono (format, którego oczekuje Whisper) i transkrybuje w workerze w tle, w oknach po 30 sekund z niewielkim nakładaniem, dzięki czemu działa też z długimi nagraniami. Wynik pojawia się w polu wyjściowym i można go skopiować lub pobrać jako .txt, .srt albo .vtt.

Jak używać

1. Wybierz model: Tiny jest najszybszy, Small najdokładniejszy, a Base (domyślny) to dobry kompromis.
2. Kliknij Pobierz model i zacznij. Za pierwszym razem model pobiera się z paskiem postępu; potem przeglądarka wczytuje go z pamięci podręcznej w chwilę.
3. Upuść plik audio lub wideo na stronę albo kliknij Wybierz plik. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM i MP4 działają w większości przeglądarek, do 500 MB. Wyświetlane są nazwa pliku, czas trwania i rozmiar.
4. Transkrypcja startuje sama i pokazuje, ile fragmentów jest gotowych. Po zmianie języka lub zadania kliknij Transkrybuj ponownie.
5. Przełączaj format wyniku między tekstem, SRT i VTT w dowolnej chwili, bez ponownej transkrypcji. Potem skopiuj albo pobierz.

Język nagrania jest wykrywany automatycznie na podstawie pierwszych 30 sekund. Ustawienie go ręcznie jest szybsze i zapobiega pomyłkom przy krótkich klipach. Wybierz Przetłumacz na angielski, aby z mowy w innym języku dostać tekst po angielsku. Model, język, zadanie i format są zapisane w adresie strony, więc przycisk Udostępnij prowadzi do tych samych ustawień; plik nigdy nie trafia do linku.

Przykład

Klip z dwoma zdaniami wyeksportowany jako SRT wygląda tak:

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.

VTT używa tych samych bloków z nagłówkiem WEBVTT i kropką przed milisekundami — to format odczytywany przez odtwarzacze wideo HTML5.

Prywatność, dokładność i wymagania

Po pobraniu modelu wszystko dzieje się na Twoim urządzeniu, więc narzędzie nadaje się do poufnych nagrań. Potrzebna jest aktualna przeglądarka Chrome, Edge, Firefox lub Safari z WebAssembly. Gdy dostępne jest WebGPU (Chrome i Edge na większości komputerów), jest używane automatycznie i działa znacznie szybciej; w przeciwnym razie narzędzie korzysta z WebAssembly. Długie pliki wymagają pamięci: godzina nagrania po zdekodowaniu zajmuje kilkaset megabajtów, a Small potrzebuje więcej niż Tiny czy Base, więc na telefonie zamknij inne ciężkie karty. Nie zamykaj karty do końca.

Whisper dobrze radzi sobie z wyraźną mową i nieźle znosi akcenty oraz hałas w tle, ale może przekręcać nazwiska i terminy, a przy ciszy lub muzyce czasem powtarza albo wymyśla zdanie. Przejrzyj transkrypcję przed publikacją. Narzędzie nie rozpoznaje mówców, a wideo zostanie przetworzone tylko wtedy, gdy przeglądarka potrafi zdekodować jego kodek audio.