Konuşmayı yazıya çevirme

Ne işe yarar

Bu araç bir ses veya video dosyasını, hiçbir şey yüklemeden, yazılı bir dökümüne ya da SRT veya VTT altyazıya dönüştürür. OpenAI’nin konuşma tanıma modeli Whisper’ı doğrudan tarayıcınızda çalıştırır; böylece röportajları, toplantıları, dersleri, sesli notları ve podcast’leri gizli ve ücretsiz şekilde yazıya dökebilirsiniz. Whisper başka dillerdeki konuşmayı doğrudan İngilizce metne de çevirebilir.

Bir dosya seçtiğinizde sayfa, ses parçasını tarayıcının Web Audio API’si ile çözer, Whisper’ın beklediği 16 kHz mono biçime yeniden örnekler ve arka plandaki bir worker’da hafifçe örtüşen 30 saniyelik pencerelerle yazıya döker; bu sayede uzun kayıtlar da çalışır. Sonuç çıktı kutusunda görünür; kopyalayabilir veya .txt, .srt ya da .vtt olarak indirebilirsiniz.

Nasıl kullanılır

1. Bir model seçin: Tiny en hızlısı, Small en doğrusu, Base (varsayılan) iyi bir dengedir.
2. Modeli indir ve başla düğmesine basın. İlk seferde model ilerleme çubuğuyla indirilir; sonraki seferlerde tarayıcı onu önbellekten anında yükler.
3. Bir ses veya video dosyasını sayfaya bırakın ya da Dosya seç’e basın. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM ve MP4 çoğu tarayıcıda 500 MB’a kadar çalışır. Dosya adı, süresi ve boyutu gösterilir.
4. Döküm kendiliğinden başlar ve kaç bölümün bittiğini gösterir. Dili veya görevi değiştirdikten sonra Yeniden yazıya dök’e basın.
5. Çıktı biçimini istediğiniz zaman metin, SRT ve VTT arasında değiştirin; yeniden döküm gerekmez. Sonra kopyalayın veya indirin.

Konuşma dili ilk 30 saniyeden otomatik olarak algılanır. Dili kendiniz belirlemek daha hızlıdır ve kısa kliplerde hataları önler. Başka bir dildeki konuşmadan İngilizce metin almak için İngilizceye çevir’i seçin. Model, dil, görev ve biçim sayfa adresinde saklanır; bu yüzden Paylaş düğmesi aynı ayarlara bağlantı verir, dosyanız ise asla bağlantıya eklenmez.

Örnek

İki cümlelik bir klip SRT olarak şöyle görünür:

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 aynı blokları WEBVTT başlığı ve milisaniyelerden önce bir noktayla kullanır; HTML5 video oynatıcıların okuduğu biçim budur.

Gizlilik, doğruluk ve gereksinimler

Model indirildikten sonra her şey cihazınızda gerçekleşir, bu yüzden araç gizli kayıtlar için uygundur. WebAssembly destekli güncel bir Chrome, Edge, Firefox veya Safari gerekir. WebGPU varsa (çoğu masaüstünde Chrome ve Edge) otomatik olarak kullanılır ve çok daha hızlıdır; yoksa araç WebAssembly’ye geçer. Uzun dosyalar bellek ister: bir saatlik ses çözüldükten sonra birkaç yüz megabayt kaplar ve Small, Tiny ya da Base’den fazlasını kullanır; telefonda diğer ağır sekmeleri kapatın. İş bitene kadar sekmeyi açık tutun.

Whisper net konuşmada iyidir, aksanları ve arka plan gürültüsünü makul ölçüde tolere eder; ancak adları ve teknik terimleri yanlış duyabilir, sessizlik veya müzikte bazen bir cümleyi tekrarlar ya da uydurur. Yayımlamadan önce dökümü gözden geçirin. Araç konuşmacıları tanımlamaz; videolar ancak tarayıcınız ses codec’ini çözebiliyorsa yazıya dökülür.