Розпізнавання мовлення

Що робить інструмент

Цей інструмент розпізнавання мовлення перетворює аудіо- чи відеофайл на текстову розшифровку або субтитри SRT чи VTT, нічого не завантажуючи на сервер. Він запускає модель розпізнавання мовлення Whisper від OpenAI просто в браузері, тож інтерв’ю, зустрічі, лекції, голосові нотатки й подкасти можна розшифровувати безкоштовно й конфіденційно. Whisper також уміє одразу перекладати мовлення іншими мовами в англійський текст.

Після вибору файлу сторінка декодує звукову доріжку через Web Audio API браузера, передискретизує її до 16 кГц моно (формат, якого очікує Whisper) і розшифровує у фоновому воркері вікнами по 30 секунд із невеликим перекриттям, тож довгі записи теж працюють. Результат з’являється в полі виводу — його можна скопіювати або завантажити як .txt, .srt чи .vtt.

Як користуватися

1. Виберіть модель: Tiny — найшвидша, Small — найточніша, Base (за замовчуванням) — добрий баланс.
2. Натисніть Завантажити модель і почати. Уперше модель завантажується з індикатором прогресу, потім браузер миттєво бере її з кешу.
3. Перетягніть аудіо- чи відеофайл на сторінку або натисніть Вибрати файл. У більшості браузерів працюють MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM і MP4 розміром до 500 МБ. Показуються назва файлу, тривалість і розмір.
4. Розшифровка починається автоматично й показує, скільки фрагментів готово. Після зміни мови чи завдання натисніть Розшифрувати знову.
5. Перемикайте формат виводу між текстом, SRT і VTT будь-коли — повторно розшифровувати не потрібно. Потім скопіюйте або завантажте результат.

Мова мовлення визначається автоматично за першими 30 секундами. Якщо вказати її самому, буде швидше й без помилок на коротких записах. Виберіть Перекласти англійською, щоб отримати англійський текст із мовлення іншою мовою. Модель, мова, завдання й формат зберігаються в адресі сторінки, тому кнопка Поділитися передає ті самі налаштування; сам файл у посилання ніколи не потрапляє.

Приклад

Фрагмент із двох фраз у форматі SRT виглядає 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 містить ті самі блоки, але із заголовком WEBVTT і крапкою перед мілісекундами — цей формат читають відеоплеєри HTML5.

Конфіденційність, точність і вимоги

Після завантаження моделі все відбувається на вашому пристрої, тому інструмент підходить для конфіденційних записів. Потрібен свіжий Chrome, Edge, Firefox або Safari з підтримкою WebAssembly. Якщо доступний WebGPU (Chrome і Edge на більшості комп’ютерів), він використовується автоматично й працює значно швидше; інакше інструмент переходить на WebAssembly. Довгим файлам потрібна пам’ять: година аудіо після декодування займає кілька сотень мегабайтів, а Small потребує більше, ніж Tiny чи Base, тож на телефоні закрийте важкі вкладки. Не закривайте вкладку до завершення.

Whisper добре справляється з чітким мовленням і непогано витримує акценти та фоновий шум, але може помилятися в іменах і термінах, а на тиші чи музиці інколи повторює або вигадує фразу. Перевірте розшифровку перед публікацією. Інструмент не розрізняє мовців, а відео розшифровуються, лише якщо браузер уміє декодувати їхній аудіокодек.