ถอดเสียงเป็นข้อความในเบราว์เซอร์

ขึ้นอยู่กับคุณภาพเสียงเป็นอย่างมาก เสียงพูดภาษาอังกฤษที่ชัดเจน ผู้พูดคนเดียว บันทึกใกล้ไมโครโฟน และมีเสียงรบกวนพื้นหลังน้อย จะถอดเสียงได้ค่อนข้างดี สำเนียง การพูดทับกัน เพลงหรือเสียงรบกวนพื้นหลัง และคำศัพท์เฉพาะทาง (ชื่อ ศัพท์เทคนิค คำย่อ) ล้วนเพิ่มข้อผิดพลาด นี่คือโมเดลขนาดเล็กแบบ quantized ที่เลือกมาเพื่อให้ทำงานในแท็บเบราว์เซอร์ได้ ไม่ใช่โมเดล Whisper ขนาดใหญ่ที่สุด จึงควรมองผลลัพธ์เป็นร่างที่มีประโยชน์สำหรับตรวจสอบและแก้ไข ไม่ใช่ทรานสคริปต์ฉบับสุดท้าย

ไม่ได้ เครื่องมือนี้ใช้ whisper-tiny.en ซึ่งเป็น Whisper เวอร์ชันรองรับเฉพาะภาษาอังกฤษ เลือกใช้เพราะมีขนาดเล็กกว่าและแม่นยำกว่าโมเดล tiny แบบหลายภาษาเมื่อใช้กับภาษาอังกฤษ เสียงในภาษาอื่นจะให้ผลลัพธ์ที่แย่หรือไม่มีความหมาย การรองรับภาษาอื่นยังไม่มีในขณะนี้

โมเดลรู้จำเสียงพูดและเอนจิน WebAssembly ที่รันมัน (รวมประมาณ 68 MB) ไม่ได้ฝังอยู่ในหน้าเว็บ แต่ถูกดึงมาจากไซต์นี้เพียงครั้งเดียวและแคชไว้โดยเบราว์เซอร์ของคุณ คล้ายกับที่เครื่องมือ OCR ดาวน์โหลดโมเดลภาษา หลังจากดาวน์โหลดครั้งแรกนั้น การถอดเสียงจะทำงานแบบออฟไลน์เต็มรูปแบบ ไม่มีการดึงข้อมูลจาก CDN ของบุคคลที่สามใด ๆ

ไม่ถูกอัปโหลด การบันทึกจะถูกถอดรหัสและประมวลผลทั้งหมดภายในแท็บเบราว์เซอร์ของคุณโดยใช้ Web Audio API และโมเดล Whisper ในเครื่อง ไม่มีไฟล์เสียง และไม่มีข้อความที่ถอดแล้ว ถูกส่งไปยังเซิร์ฟเวอร์เลย คุณสามารถตัดการเชื่อมต่อเครือข่ายหลังจากโมเดลดาวน์โหลดเสร็จ และการถอดเสียงจะยังทำงานได้

ขึ้นอยู่กับ CPU ของอุปกรณ์คุณและความยาวของการบันทึก เนื่องจากทุกอย่างทำงานในเครื่องแทนที่จะเป็นฮาร์ดแวร์เซิร์ฟเวอร์ คลิปสั้น (ต่ำกว่าหนึ่งนาที) มักเสร็จภายในไม่กี่วินาทีถึงไม่ถึงหนึ่งนาที การบันทึกที่ยาว เช่น การสัมภาษณ์หนึ่งชั่วโมง จะใช้เวลานานขึ้นตามสัดส่วน และจะทำให้แท็บเบราว์เซอร์ของคุณไม่ว่างตลอดช่วงเวลานั้น ควรเปิดแท็บไว้และไม่ย้ายไปหน้าอื่นระหว่างทำงาน

ไฟล์ .txt คือข้อความที่ถอดเสียงล้วน ๆ โดยไม่มีการประทับเวลา เหมาะสำหรับอ่านหรือคัดลอกไปวางที่อื่น ไฟล์ .srt เป็นรูปแบบคำบรรยายมาตรฐานที่มีช่วงเวลาประทับสำหรับแต่ละช่วงคำพูด เหมาะสำหรับเพิ่มคำบรรยายลงในวิดีโอ ทั้งสองสร้างจากการถอดเสียงเดียวกัน เลือกแบบที่เหมาะกับสิ่งที่คุณต้องทำต่อไป