Šis rīks pārvērš ierakstītu runu tekstā, nenosūtot ierakstu transkripcijas pakalpojumam. Whisper modelis darbojas atsevišķā pārlūkprogrammas procesā, tāpēc lapa turpina reaģēt, kamēr dators apstrādā skaņu. Ja WebGPU ir pieejams, tiek izmantots tas, bet citās pārlūkprogrammās rīks pārslēdzas uz lēnāku procesora režīmu. Lejupielādētais modelis tiek saglabāts pārlūkprogrammas kešatmiņā nākamajām reizēm.
Audio pārvēršana tekstā
Darbojas tikai tavā pārlūkā - bez augšupielādes un reģistrācijas.
Kā pārvērst audio tekstā, neaugšupielādējot ierakstu?
Pievienojiet audiofailu, un rīks jūsu ierīcē palaidīs Whisper runas atpazīšanas modeli. Iegūsiet rediģējamu transkripciju, ko var eksportēt TXT vai SRT formātā. Ieraksts nekur netiek augšupielādēts, taču pirmajā lietošanas reizē pārlūkprogrammai jālejupielādē AI modelis.
Kā lietot
- 1Izvēlieties ierakstu. Ievelciet rīkā MP3, WAV, M4A, OGG, FLAC vai WebM failu vai noklikšķiniet faila izvēles laukā.
- 2Sāciet privātu transkripciju. Noklikšķiniet uz „Transkribēt audio“. Pirmajā reizē uzgaidiet, kamēr tiek lejupielādēts daudzvalodu Whisper modelis, un pēc tam ļaujiet ierīcei apstrādāt ierakstu.
- 3Pārbaudiet un eksportējiet. Vēlreiz noklausieties neskaidrās vietas, izlabojiet kļūdas un tad kopējiet transkripciju vai lejupielādējiet to kā TXT vai SRT ar laika atzīmēm.
Kam noder
- Intervētāji un pētnieki var izveidot privātu pirmo melnrakstu un pēc tam pārbaudīt vārdus un citātus, klausoties ierakstu.
- Studenti var pārvērst ierakstītas lekcijas vai mācību piezīmes rediģējamā tekstā, neaugšupielādējot auditorijā ierakstīto skaņu.
- Raidierakstu un video veidotāji var sagatavot aptuvenu transkripciju vai SRT failu ar laika atzīmēm subtitriem.
- Komandas, kas strādā ar sensitīviem ierakstiem, var paturēt sākotnējo audio ierīcē, nevis nosūtīt to apstrādei mākonī.
Biežāk uzdotie jautājumi
Vai mans audio tiek augšupielādēts serverī?
Nē. Pārlūkprogramma atkodē izvēlēto failu un nodod audio paraugus tikai lokālam procesam tajā pašā ierīcē. Process lejupielādē Whisper modeļa failus no Hugging Face, bet neaugšupielādē jūsu ierakstu vai transkripciju. CanDoYa failu nesaņem un neglabā.
Vai audio pārvēršana tekstā ir bez maksas?
Jā. Nav vajadzīgs konts, maksājums vai transkripcijas kredīti, un rezultātam nav ūdenszīmes. AI aprēķinus veic jūsu ierīce, tāpēc praktiskās izmaksas ir apstrādes laiks, atmiņa un modeļa pirmā lejupielāde. Interneta pakalpojumu sniedzējs var ieskaitīt modeļa lejupielādi ierobežotajā datu apjomā.
Cik lielu un garu ierakstu var transkribēt?
Varat izvēlēties failu līdz 500 MB. Fiksēta minūšu ierobežojuma nav, taču gariem ierakstiem vajag vairāk atmiņas un laika, jo apstrāde notiek ierīcē. Stundu garām sapulcēm vai lekcijām mūsdienīgs klēpjdators būs piemērotāks par tālruni.
Kādi audio formāti tiek atbalstīti?
Rīks pieņem MP3, WAV, M4A, OGG, FLAC, WebM un vairākus saistītus formātus. Faktiskais atkodēšanas atbalsts ir atkarīgs no pārlūkprogrammas un operētājsistēmas. Ja fails tiek noraidīts, lai gan tā paplašinājums ir norādīts, pārveidojiet to par MP3 vai nesaspiestu WAV un mēģiniet vēlreiz.
Kādas valodas Whisper spēj transkribēt?
Izvēlētais mazais Whisper modelis ir daudzvalodu un automātiski atpazīst daudzas runātās valodas. Precizitāti ietekmē valoda, akcents, ieraksta kvalitāte un temats. Modelis netulko transkripciju citā valodā, nenosaka runātājus un negarantē pareizu vārdu vai nozares terminu rakstību.
Kāpēc pirmajā transkripcijas reizē tiek lejupielādēts modelis?
Privātai runas atpazīšanai modelim jāatrodas jūsu datorā. WebGPU režīmā tiek lejupielādēti aptuveni 80 MB, bet saderīgajā rezerves q4 procesora režīmā aptuveni 105 MB. Pārlūkprogrammas parasti saglabā šos failus kešatmiņā un izmanto tos atkārtoti, ja vien neiztīrāt vietnes datus vai kešatmiņu.
Vai transkripcija darbojas bez WebGPU?
Jā. Rīks dod priekšroku WebGPU, jo atbalstīts grafiskais procesors var darbināt Whisper daudz ātrāk. Ja WebGPU nav pieejams vai tas nedarbojas, rīks mēģina vēlreiz ar WebAssembly centrālajā procesorā. Šis rezerves variants darbojas vairāk pārlūkprogrammās, taču gariem ierakstiem var būt lēns, īpaši tālruņos un vecākos datoros.
Cik precīza ir transkripcija?
Whisper tiny no skaidras runas izveido noderīgu melnrakstu, taču negarantē burtisku transkripciju. Fona troksnis, mūzika, runāšana vienlaikus, vājš mikrofons, neparasti vārdi un gari klusuma posmi samazina precizitāti un var radīt izdomātus vārdus. Svarīgus citātus, medicīniskus datus, juridiskus apgalvojumus un lēmumus pārbaudiet, klausoties sākotnējo ierakstu.