แปลงเสียงพูดเป็นข้อความ

เครื่องมือนี้ทำอะไร

เครื่องมือแปลงเสียงพูดเป็นข้อความนี้เปลี่ยนไฟล์เสียงหรือวิดีโอให้เป็นข้อความที่ถอดได้ หรือคำบรรยาย SRT หรือ VTT โดยไม่อัปโหลดอะไรเลย มันรันโมเดลรู้จำเสียงพูด Whisper ของ OpenAI ในเบราว์เซอร์โดยตรง คุณจึงถอดเสียงบทสัมภาษณ์ การประชุม การบรรยาย บันทึกเสียง และพอดแคสต์ได้อย่างเป็นส่วนตัวและฟรี Whisper ยังแปลเสียงพูดภาษาอื่นเป็นข้อความภาษาอังกฤษได้ทันที

เมื่อเลือกไฟล์ หน้าเว็บจะถอดรหัสแทร็กเสียงด้วย Web Audio API ของเบราว์เซอร์ แปลงอัตราสุ่มเป็น 16 kHz โมโน (รูปแบบที่ Whisper ต้องการ) แล้วถอดเสียงใน worker เบื้องหลังเป็นช่วงละ 30 วินาทีที่ซ้อนกันเล็กน้อย ไฟล์ยาวจึงใช้ได้เช่นกัน ผลลัพธ์จะแสดงในช่องผลลัพธ์ พร้อมให้คัดลอกหรือดาวน์โหลดเป็น .txt, .srt หรือ .vtt

วิธีใช้

1. เลือก โมเดล: Tiny เร็วที่สุด Small แม่นยำที่สุด และ Base (ค่าเริ่มต้น) สมดุลดี
2. กด ดาวน์โหลดโมเดลและเริ่ม ครั้งแรกจะดาวน์โหลดพร้อมแถบความคืบหน้า ครั้งต่อไปเบราว์เซอร์จะโหลดจากแคชในพริบตา
3. วางไฟล์เสียงหรือวิดีโอลงบนหน้าเว็บ หรือกด เลือกไฟล์ เบราว์เซอร์ส่วนใหญ่รองรับ MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM และ MP4 ขนาดสูงสุด 500 MB ระบบจะแสดงชื่อไฟล์ ความยาว และขนาด
4. การถอดเสียงเริ่มเองและแสดงจำนวนช่วงที่เสร็จแล้ว เมื่อเปลี่ยนภาษาหรืองาน ให้กด ถอดเสียงอีกครั้ง
5. สลับ รูปแบบผลลัพธ์ ระหว่างข้อความ SRT และ VTT ได้ทุกเมื่อโดยไม่ต้องถอดเสียงใหม่ แล้ว คัดลอก หรือ ดาวน์โหลด

ภาษาที่พูด ตรวจหาอัตโนมัติจาก 30 วินาทีแรก การเลือกเองจะเร็วกว่าและลดความผิดพลาดกับคลิปสั้น เลือก แปลเป็นภาษาอังกฤษ เพื่อได้ข้อความภาษาอังกฤษจากเสียงพูดภาษาอื่น โมเดล ภาษา งาน และรูปแบบจะถูกบันทึกไว้ในที่อยู่หน้าเว็บ ปุ่ม แชร์ จึงลิงก์ไปยังการตั้งค่าเดียวกัน แต่ไฟล์ของคุณไม่เคยอยู่ในลิงก์

ตัวอย่าง

คลิปสองประโยคที่ส่งออกเป็น SRT มีหน้าตาดังนี้

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 ใช้บล็อกเดียวกันแต่มีส่วนหัว WEBVTT และใช้จุดก่อนมิลลิวินาที ซึ่งเป็นรูปแบบที่เครื่องเล่นวิดีโอ HTML5 อ่านได้

ความเป็นส่วนตัว ความแม่นยำ และข้อกำหนด

หลังดาวน์โหลดโมเดล ทุกอย่างเกิดขึ้นบนอุปกรณ์ของคุณ จึงเหมาะกับไฟล์บันทึกที่เป็นความลับ ต้องใช้ Chrome, Edge, Firefox หรือ Safari รุ่นใหม่ที่รองรับ WebAssembly หากมี WebGPU (Chrome และ Edge บนคอมพิวเตอร์ส่วนใหญ่) จะใช้โดยอัตโนมัติและเร็วกว่ามาก มิฉะนั้นจะใช้ WebAssembly แทน ไฟล์ยาวต้องใช้หน่วยความจำ เสียงหนึ่งชั่วโมงหลังถอดรหัสใช้หลายร้อยเมกะไบต์ และ Small ใช้มากกว่า Tiny หรือ Base บนโทรศัพท์ควรปิดแท็บที่หนักอื่นๆ และเปิดแท็บไว้จนกว่าจะเสร็จ

Whisper ทำงานได้ดีกับเสียงพูดที่ชัดเจน และรับมือกับสำเนียงและเสียงรบกวนได้พอสมควร แต่อาจฟังชื่อเฉพาะและศัพท์เทคนิคผิด และบางครั้งพูดซ้ำหรือแต่งประโยคขึ้นมาเองในช่วงเงียบหรือมีเพลง โปรดตรวจทานข้อความก่อนเผยแพร่ เครื่องมือนี้ไม่ระบุผู้พูด และวิดีโอจะถอดเสียงได้ก็ต่อเมื่อเบราว์เซอร์ถอดรหัสโคเดกเสียงของไฟล์นั้นได้