Что делает этот инструмент
Распознавание речи в реальном времени превращает сказанное в текст прямо во время разговора. Нажмите «Старт», говорите в микрофон, и каждая фраза появится в расшифровке через мгновение после паузы. Это похоже на диктовку или голосовой ввод, но распознавание целиком работает в браузере, без аккаунта и сервера, и звук не покидает ваш компьютер.
Модель распознавания — Moonshine, открытая модель «речь в текст» от Useful Sensors, созданная для живой расшифровки прямо на устройстве. Она быстро обрабатывает короткие фразы, поэтому хорошо подходит для расшифровки по одной фразе. Инструмент запускает её через Transformers.js и ONNX Runtime Web, на WebGPU, если браузер его поддерживает, иначе на WebAssembly.
Этот инструмент работает только с английским языком.
Как пользоваться
- Выберите модель. Base точнее, Tiny меньше и быстрее на слабых компьютерах.
- Нажмите Скачать модель и начать. Модель скачивается один раз (около 120 МБ для Base и 50 МБ для Tiny), затем браузер запросит доступ к микрофону. Разрешите его.
- Говорите как обычно. Индикатор уровня показывает громкость входа и становится зелёным, когда слышна речь. При паузе фраза уходит в модель, и текст появляется новой строкой.
- Нажмите Стоп, чтобы освободить микрофон. Снова нажмите Старт, чтобы продолжить; метки времени продолжат отсчёт с места остановки.
- Сохраните расшифровку кнопками Копировать или Скачать .txt, либо начните заново кнопкой Очистить. Выберите Порядок → Сначала новые, чтобы последняя строка была сверху; копирование и скачивание идут в том же порядке.
Пример
С включёнными метками времени короткая надиктованная по-английски заметка выглядит так:
[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.Выключите метки времени, чтобы получить простые строки, готовые для вставки в письмо, документ или приложение заметок.
Настройка распознавания пауз
Простой детектор голосовой активности слушает громкость микрофона и решает, где фразы начинаются и заканчиваются. Им управляют три настройки:
- Порог речи задаёт, насколько громким должен быть звук, чтобы считаться речью. Выберите более «шумный» вариант, если фоновый шум держит индикатор зелёным, или более чувствительный, если тихая речь теряется.
- Пауза, завершающая строку — сколько тишины нужно перед расшифровкой фразы. Короткие паузы дают результат быстрее, длинные сохраняют предложения целыми.
- Самая длинная строка режет очень длинные отрезки речи, чтобы расшифровка шла дальше, даже если вы не делаете пауз.
Эти настройки применяются при следующем нажатии «Старт». Выбор модели и метки времени сохраняются в адресе страницы, поэтому настройку можно добавить в закладки или отправить. Сама расшифровка в ссылку никогда не попадает.
Модель, лицензия и ограничения
Инструмент использует onnx-community/moonshine-base-ONNX или onnx-community/moonshine-tiny-ONNX — ONNX-версии английских моделей Moonshine под лицензией MIT. Transformers.js распространяется под лицензией Apache-2.0. Точность лучше всего, когда один человек говорит чётко рядом с микрофоном; имена, редкие слова и сильный акцент могут распознаваться с ошибками, а пунктуацию модель угадывает. Для готовых аудиофайлов используйте инструмент «Речь в текст».
Частые вопросы
› Мой голос куда-нибудь загружается?
Нет. Звук с микрофона записывается, делится на фразы и распознаётся внутри вкладки браузера. Скачиваются только файлы модели с Hugging Face при первом нажатии кнопки загрузки. Расшифровка остаётся на странице и не попадает в ссылки для обмена.
› Какие языки поддерживаются?
Только английский. Используемые здесь модели Moonshine обучены на английской речи. У Moonshine есть модели и для других языков, но они выпущены под некоммерческой лицензией, поэтому этот инструмент их не использует. Речь на другом языке превращается в бессмысленный английский.
› Сколько весит загрузка и нужна ли она каждый раз?
Модель Base весит около 120 МБ, модель Tiny около 50 МБ. После первой загрузки браузер кеширует файлы, и в следующий раз модель загружается за несколько секунд без повторного скачивания.
› В каких браузерах это работает?
В свежих Chrome, Edge, Firefox или Safari с доступом к микрофону. При наличии WebGPU модель работает на видеокарте, иначе через WebAssembly на процессоре. Это медленнее, но на большинстве ноутбуков успевает за обычной речью.
› Почему строка появляется, только когда я замолкаю?
Moonshine распознаёт фразы целиком, поэтому инструмент ждёт короткую паузу и только потом расшифровывает сказанное. В настройках можно сократить паузу или уменьшить самую длинную строку, чтобы длинные монологи резались чаще.