Rozpoznawanie mowy w przeglądarce
To narzędzie zamienia MP3 na tekst za pomocą Whisper, otwartego modelu rozpoznawania mowy. Większość internetowych usług transkrypcji wysyła Twoje nagranie na serwer. Tutaj model pobiera się do przeglądarki jednorazowo, a potem działa na Twoim komputerze lub telefonie. Nagranie nigdy nie opuszcza urządzenia, co ma znaczenie przy wywiadach, notatkach medycznych i prawnych, spotkaniach oraz prywatnych wiadomościach głosowych. Po pierwszym pobraniu model jest zapisywany w przeglądarce i następnym razem ładuje się szybciej.
Języki i dokładność
Whisper działa tu w 23 językach, w tym po angielsku, hiszpańsku, francusku, niemiecku, włosku, portugalsku, rosyjsku, chińsku, japońsku, koreańsku, turecku i polsku. Dokładność jest najlepsza przy wyraźnej mowie z niewielkim szumem w tle. Jest niższa w przypadku:
- kilku osób mówiących jednocześnie;
- głośnej muzyki lub hałasu w tle;
- bardzo cichych lub oddalonych rozmówców;
- rzadkich nazwisk i terminów specjalistycznych;
- mieszania kilku języków w jednym zdaniu.
Samodzielny wybór języka zamiast automatycznego wykrywania zwykle daje lepsze wyniki, zwłaszcza przy krótkich nagraniach.
Formaty wyjściowe
| Format | Zawartość | Zastosowanie |
|---|---|---|
| TXT | zwykły tekst | notatki, dokumenty, cytaty |
| SRT | numerowane napisy z czasem początku i końca | edytory wideo, YouTube, większość odtwarzaczy |
| VTT | napisy internetowe z czasami | odtwarzacze wideo HTML5, strony internetowe |
Szybkość i długie nagrania
Transkrypcja to duże obciążenie dla komputera. Na nowoczesnym laptopie godzinne nagranie może zająć od kilku minut do czasu dłuższego niż samo nagranie, w zależności od procesora, rozmiaru modelu i przeglądarki. Telefony są wolniejsze. Podczas pracy nie zamykaj karty. Bardzo długie pliki możesz też pociąć na części w narzędziu Dzielenie audio i transkrybować je po kolei.
Wskazówki dla lepszej transkrypcji
Model analizuje nagranie w krótkich oknach, po ok. 30 sekund, i zapisuje to, co usłyszy, wraz z czasem początku i końca. Sam dodaje interpunkcję i wielkie litery, ale nie wie, kto mówi, więc w wywiadzie rozmówców trzeba oznaczyć samodzielnie. Długie fragmenty ciszy i muzyka bez mowy są pomijane lub zostają puste. Jeśli nagranie zaczyna się od muzyki, pierwsze wiersze tekstu mogą pojawić się później, niż się spodziewasz – to normalne.
- Przed transkrypcją oczyść zaszumione nagrania za pomocą narzędzia Redukcja szumów.
- Jeśli mówca jest cichy, najpierw podnieś poziom głośności w narzędziu Normalizacja.
- W przypadku napisów sprawdź synchronizację w odtwarzaczu wideo. Jeśli jeden napis jest zbyt długi, by go przeczytać, podziel go w edytorze tekstu – SRT i VTT to zwykłe pliki tekstowe.
- Zawsze przeczytaj transkrypcję przynajmniej raz. Popraw nazwiska, liczby i słowa, które model mógł źle usłyszeć.
Pliki wideo też działają: wrzuć plik MP4, a narzędzie przepisze jego ścieżkę dźwiękową. To szybki sposób na napisy do własnych filmów.