Распознавание речи

Что делает инструмент

Этот инструмент распознавания речи превращает аудио- или видеофайл в текстовую расшифровку или субтитры SRT или VTT, ничего не загружая на сервер. Он запускает модель распознавания речи Whisper от OpenAI прямо в браузере, поэтому интервью, встречи, лекции, голосовые заметки и подкасты можно расшифровывать бесплатно и конфиденциально. Whisper также умеет сразу переводить речь на других языках в английский текст.

После выбора файла страница декодирует звуковую дорожку через Web Audio API браузера, передискретизирует её в 16 кГц моно (формат, который ожидает Whisper) и расшифровывает в фоновом воркере окнами по 30 секунд с небольшим перекрытием, так что длинные записи тоже работают. Результат появляется в поле вывода — его можно скопировать или скачать как .txt, .srt или .vtt.

Как пользоваться

1. Выберите модель: Tiny — самая быстрая, Small — самая точная, Base (по умолчанию) — хороший баланс.
2. Нажмите Скачать модель и начать. В первый раз модель загружается с индикатором прогресса, потом браузер мгновенно берёт её из кеша.
3. Перетащите аудио- или видеофайл на страницу или нажмите Выбрать файл. В большинстве браузеров работают MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM и MP4 размером до 500 МБ. Показываются имя файла, длительность и размер.
4. Расшифровка начинается автоматически и показывает, сколько фрагментов готово. После смены языка или задачи нажмите Расшифровать снова.
5. Переключайте формат вывода между текстом, SRT и VTT в любой момент — повторно расшифровывать не нужно. Затем скопируйте или скачайте результат.

Язык речи определяется автоматически по первым 30 секундам. Если указать его самому, будет быстрее и без ошибок на коротких записях. Выберите Перевести на английский, чтобы получить английский текст из речи на другом языке. Модель, язык, задача и формат сохраняются в адресе страницы, поэтому кнопка Поделиться передаёт те же настройки; сам файл в ссылку никогда не попадает.

Пример

Фрагмент из двух фраз в формате SRT выглядит так:

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 содержит те же блоки, но с заголовком WEBVTT и точкой перед миллисекундами — этот формат читают видеоплееры HTML5.

Конфиденциальность, точность и требования

После загрузки модели всё происходит на вашем устройстве, поэтому инструмент подходит для конфиденциальных записей. Нужен свежий Chrome, Edge, Firefox или Safari с поддержкой WebAssembly. Если доступен WebGPU (Chrome и Edge на большинстве компьютеров), он используется автоматически и работает гораздо быстрее; иначе инструмент переключается на WebAssembly. Длинным файлам нужна память: час аудио после декодирования занимает несколько сотен мегабайт, а Small требует больше, чем Tiny или Base, поэтому на телефоне закройте тяжёлые вкладки. Не закрывайте вкладку до окончания.

Whisper хорошо справляется с чёткой речью и неплохо переносит акценты и фоновый шум, но может ошибаться в именах и терминах, а на тишине или музыке иногда повторяет или выдумывает фразу. Проверьте расшифровку перед публикацией. Инструмент не различает говорящих, а видео расшифровываются, только если браузер умеет декодировать их аудиокодек.