Chuyển giọng nói thành văn bản

Công cụ làm gì

Công cụ chuyển giọng nói thành văn bản này biến tệp âm thanh hoặc video thành bản chép lời, hoặc phụ đề SRT hay VTT, mà không tải gì lên. Nó chạy mô hình nhận dạng giọng nói Whisper của OpenAI ngay trong trình duyệt, nên bạn có thể chép lời phỏng vấn, cuộc họp, bài giảng, ghi âm và podcast một cách riêng tư và miễn phí. Whisper cũng có thể dịch thẳng lời nói ở ngôn ngữ khác sang văn bản tiếng Anh.

Khi bạn chọn tệp, trang giải mã rãnh âm thanh bằng Web Audio API của trình duyệt, lấy mẫu lại về 16 kHz mono (định dạng Whisper cần) rồi chép lời trong một worker chạy nền theo từng cửa sổ 30 giây chồng lấn nhẹ, nên bản ghi dài cũng xử lý được. Kết quả hiện trong ô đầu ra, sẵn sàng để sao chép hoặc tải về dạng .txt, .srt hay .vtt.

Cách sử dụng

1. Chọn mô hình: Tiny nhanh nhất, Small chính xác nhất, Base (mặc định) cân bằng tốt.
2. Nhấn Tải mô hình và bắt đầu. Lần đầu mô hình được tải kèm thanh tiến độ; những lần sau trình duyệt nạp từ bộ nhớ đệm trong tích tắc.
3. Thả tệp âm thanh hoặc video vào trang hoặc nhấn Chọn tệp. MP3, WAV, M4A, AAC, OGG, Opus, FLAC, WebM và MP4 chạy được trên hầu hết trình duyệt, tối đa 500 MB. Tên tệp, thời lượng và dung lượng được hiển thị.
4. Việc chép lời tự bắt đầu và cho biết đã xong bao nhiêu đoạn. Nhấn Chép lời lại sau khi đổi ngôn ngữ hoặc tác vụ.
5. Đổi định dạng đầu ra giữa văn bản, SRT và VTT bất cứ lúc nào mà không cần chép lời lại. Sau đó sao chép hoặc tải về.

Ngôn ngữ nói được tự động nhận diện từ 30 giây đầu. Tự chọn ngôn ngữ sẽ nhanh hơn và tránh nhầm với đoạn ngắn. Chọn Dịch sang tiếng Anh để nhận văn bản tiếng Anh từ lời nói ở ngôn ngữ khác. Mô hình, ngôn ngữ, tác vụ và định dạng được lưu trong địa chỉ trang, nên nút Chia sẻ dẫn tới đúng các thiết lập đó; tệp của bạn không bao giờ nằm trong liên kết.

Ví dụ

Một đoạn hai câu xuất ra SRT trông như sau:

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 dùng cùng các khối với dòng tiêu đề WEBVTT và dấu chấm trước phần mili giây — định dạng mà trình phát video HTML5 đọc được.

Quyền riêng tư, độ chính xác và yêu cầu

Sau khi tải mô hình, mọi thứ diễn ra trên thiết bị của bạn, nên công cụ phù hợp với bản ghi bảo mật. Cần Chrome, Edge, Firefox hoặc Safari bản mới có WebAssembly. Khi có WebGPU (Chrome và Edge trên hầu hết máy tính), công cụ tự dùng và nhanh hơn nhiều; nếu không sẽ chuyển sang WebAssembly. Tệp dài cần bộ nhớ: một giờ âm thanh sau khi giải mã chiếm vài trăm megabyte, và Small cần nhiều hơn Tiny hay Base; trên điện thoại hãy đóng các thẻ nặng khác. Giữ thẻ mở cho tới khi xong.

Whisper làm tốt với giọng nói rõ ràng và chịu được giọng địa phương, tiếng ồn nền ở mức khá, nhưng có thể nghe nhầm tên riêng, thuật ngữ, và đôi khi lặp lại hoặc tự bịa một câu khi gặp khoảng lặng hay nhạc. Hãy rà soát bản chép lời trước khi công bố. Công cụ không nhận diện người nói, và video chỉ được chép lời nếu trình duyệt giải mã được codec âm thanh của nó.