Розпізнавання мовлення наживо

Що робить цей інструмент

Розпізнавання мовлення наживо перетворює сказане на текст просто під час розмови. Натисніть «Старт», говоріть у мікрофон, і кожна фраза з’явиться в розшифровці за мить після паузи. Це схоже на диктування чи голосове введення, але розпізнавання повністю працює в браузері, без облікового запису та сервера, і звук не залишає ваш комп’ютер.

Модель розпізнавання — Moonshine, відкрита модель «мовлення в текст» від Useful Sensors, створена для живої розшифровки просто на пристрої. Вона швидко обробляє короткі фрази, тож добре підходить для розшифровки фраза за фразою. Інструмент запускає її через Transformers.js та ONNX Runtime Web, на WebGPU, якщо браузер його має, інакше на WebAssembly.

Цей інструмент працює лише з англійською мовою.

Як користуватися

1. Виберіть модель. Base точніша, Tiny менша й швидша на слабких комп’ютерах.
2. Натисніть Завантажити модель і почати. Модель завантажується один раз (близько 120 МБ для Base і 50 МБ для Tiny), потім браузер попросить доступ до мікрофона. Дозвольте його.
3. Говоріть як звичайно. Індикатор рівня показує гучність входу й стає зеленим, коли чути мовлення. Під час паузи фраза йде в модель, і текст з’являється новим рядком.
4. Натисніть Стоп, щоб звільнити мікрофон. Знову натисніть Старт, щоб продовжити; мітки часу продовжать відлік з місця зупинки.
5. Збережіть розшифровку кнопками Копіювати або Завантажити .txt, або почніть спочатку кнопкою Очистити. Виберіть Порядок → Спочатку нові, щоб останній рядок був угорі; копіювання й завантаження йдуть у тому ж порядку.

Приклад

З увімкненими мітками часу коротка надиктована англійською нотатка виглядає 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.

Вимкніть мітки часу, щоб отримати прості рядки, готові для вставлення в лист, документ чи застосунок нотаток.

Налаштування розпізнавання пауз

Простий детектор голосової активності слухає гучність мікрофона й вирішує, де фрази починаються та закінчуються. Ним керують три налаштування:

• Поріг мовлення визначає, наскільки гучним має бути звук, щоб вважатися мовленням. Виберіть «гучніший» варіант, якщо фоновий шум тримає індикатор зеленим, або чутливіший, якщо тихе мовлення губиться.
• Пауза, що завершує рядок — скільки тиші потрібно перед розшифровкою фрази. Короткі паузи дають результат швидше, довгі зберігають речення цілими.
• Найдовший рядок розрізає дуже довгі відрізки мовлення, щоб розшифровка йшла далі, навіть якщо ви не робите пауз.

Ці налаштування застосовуються після наступного натискання «Старт». Вибір моделі й мітки часу зберігаються в адресі сторінки, тож налаштування можна додати в закладки або надіслати. Сама розшифровка в посилання ніколи не потрапляє.

Модель, ліцензія та обмеження

Інструмент використовує onnx-community/moonshine-base-ONNX або onnx-community/moonshine-tiny-ONNX — ONNX-версії англійських моделей Moonshine під ліцензією MIT. Transformers.js поширюється під ліцензією Apache-2.0. Точність найкраща, коли одна людина говорить чітко біля мікрофона; імена, рідкісні слова й сильний акцент можуть розпізнаватися з помилками, а пунктуацію модель вгадує. Для готових аудіофайлів використовуйте інструмент «Мовлення в текст».