Az eszköz úgy alakítja szöveggé a rögzített beszédet, hogy a felvételt nem küldi átíró szolgáltatásnak. A Whisper modell a böngésző egyik külön munkafolyamatában fut, ezért az oldal a feldolgozás közben is használható marad. Ha elérhető, a WebGPU gyorsítja a munkát. Más böngészők lassabb CPU módra váltanak. A letöltött modellt a böngésző gyorsítótára megőrzi a későbbi használathoz.
Hang átírása szöveggé
Teljesen a böngésződben fut - feltöltés és regisztráció nélkül.
Hogyan írható át egy hangfelvétel szöveggé bizalmasan?
Adjon hozzá egy hangfájlt, és az eszköz helyben futtatja a Whisper beszédfelismerő modellt. Az eredmény szerkeszthető, TXT vagy SRT formátumban letölthető átirat. A felvétel nem kerül feltöltésre, az AI-modellt viszont az első használatkor le kell töltenie a böngészőnek.
Így működik
- 1Válassza ki a felvételt. Húzzon egy MP3, WAV, M4A, OGG, FLAC vagy WebM fájlt az eszközre, vagy kattintson a feltöltési területre a kiválasztásához.
- 2Indítsa el a helyi átírást. Kattintson a Hang átírása gombra. Első alkalommal várja meg a többnyelvű Whisper modell letöltését, majd hagyja, hogy az eszköz feldolgozza a felvételt.
- 3Ellenőrizze és exportálja. Hallgassa vissza a bizonytalan részeket, javítsa a hibákat, majd másolja ki az átiratot, vagy töltse le TXT, illetve időzített SRT fájlként.
Kinek hasznos
- Interjúkészítők és kutatók bizalmas első változatot készíthetnek, majd a neveket és idézeteket összevethetik a felvétellel.
- Diákok a rögzített előadásokat és hangjegyzeteket feltöltés nélkül alakíthatják szerkeszthető szöveggé.
- Podcast- és videókészítők nyers átiratot vagy időzített SRT feliratfájlt hozhatnak létre.
- Bizalmas felvételekkel dolgozó csapatok a forráshangot az eszközön tarthatják a felhőbe küldés helyett.
Gyakori kérdések
Feltöltődik a hangfájlom egy szerverre?
Nem. A böngésző dekódolja a fájlt, és a hangmintákat csak ugyanazon eszköz helyi munkafolyamatának adja át. Ez letölti a Whisper modell fájljait a Hugging Face-ről, de a felvételt és az átiratot nem tölti fel. A CanDoYa nem kapja meg és nem tárolja a fájlt.
Ingyenes a hang szöveggé alakítása?
Igen. Nincs szükség fiókra, fizetésre, kreditre, és vízjel sem kerül az eredményre. A számítást a saját eszköze végzi, ezért a tényleges ráfordítás az idő, a memória és a modell első letöltése. A szolgáltató a letöltést beleszámíthatja a mobil adatkeretbe.
Mekkora és milyen hosszú felvételt írhatok át?
A fájlválasztó legfeljebb 500 MB-os fájlt fogad. Nincs rögzített perckorlát, de a hosszú felvételek több memóriát igényelnek és lassabban készülnek el. Egyórás megbeszélésekhez vagy előadásokhoz korszerű laptop ajánlott telefon helyett.
Milyen hangformátumok támogatottak?
Az eszköz MP3, WAV, M4A, OGG, FLAC, WebM és néhány kapcsolódó formátumot fogad. A tényleges dekódolási támogatás a böngészőtől és az operációs rendszertől függ. Ha egy felsorolt kiterjesztésű fájl sem működik, alakítsa MP3 vagy tömörítetlen WAV formátumra.
Milyen nyelveket tud átírni a Whisper?
A kiválasztott Whisper tiny modell többnyelvű, és sok beszélt nyelvet automatikusan felismer. A pontosság nyelvenként, akcentusonként, hangminőségenként és témánként eltér. Nem fordít másik nyelvre, nem azonosít beszélőket, és nem garantálja a nevek vagy szakkifejezések helyes írását.
Miért tölt le modellt az első átírás?
A helyi, bizalmas átíráshoz a beszédfelismerő modellnek a számítógépen kell lennie. A WebGPU változat körülbelül 80 MB, a kvantált CPU tartalék körülbelül 105 MB. A böngésző rendszerint gyorsítótárazza ezeket, amíg nem törli a webhelyadatokat vagy a gyorsítótárat.
WebGPU nélkül is működik az átírás?
Igen. Az eszköz előnyben részesíti a WebGPU-t, mert támogatott grafikus processzorral jóval gyorsabb lehet a Whisper. Ha nincs WebGPU vagy hibát jelez, WebAssembly segítségével újrapróbálja a CPU-n. Ez több böngészőben működik, de hosszú felvételeknél lassú lehet.
Mennyire pontos az átirat?
A Whisper tiny tiszta beszédből használható vázlatot készít, de nem garantál szó szerinti eredményt. A háttérzaj, zene, egymásba beszélés, gyenge mikrofon, ritka nevek és hosszú csend rontja a pontosságot. A fontos idézeteket, orvosi adatokat, jogi kijelentéseket és döntéseket vesse össze az eredeti hanggal.