Zamień nagranie mówione na tekst pisany - lokalnie w przeglądarce dzięki rozpoznawaniu mowy AI (Whisper), całkowicie bez przesyłania na serwer.
Przetwarzanie lokalnie na Twoim urządzeniu ...
Przetwarzanie lokalnie na Twoim urządzeniu ...
0%
Twoje pliki nigdy nie opuściły urządzenia
Nie. Wszystko działa w Twojej przeglądarce - Twój plik nigdy nie opuszcza urządzenia. Jak to sprawdzić
Wywiad, nagranie wykładu, notatka głosowa z pomysłem w drodze: to narzędzie słucha nagrania i zapisuje je jako przeszukiwalny, gotowy do skopiowania tekst. Modelem rozpoznającym jest Whisper od OpenAI, tutaj jako specjalnie skompilowany, jednowątkowy build WebAssembly - ta sama technologia, z której korzystają znane usługi transkrypcji, tylko że tutaj działa ona w całości na Twoim urządzeniu, a nie na obcym serwerze.
Domyślnie Whisper sam rozpoznaje mówiony język ("Wykryj automatycznie") - przy krótkich lub wielojęzycznych nagraniach można też ustawić język na sztywno, co może nieco poprawić skuteczność rozpoznawania i szybkość. Wynik pojawia się jako ciągły tekst z akapitem na każdy fragment wypowiedzi; do filmów wymagających osadzonych znaczników czasu służy narzędzie siostrzane "Wideo na napisy", które wykorzystuje to samo rozpoznawanie, ale zwraca plik SRT/VTT z dokładnymi znacznikami czasu.
Ponieważ praca odbywa się bez pamięci współdzielonej (bez izolacji cross-origin), rozpoznawanie działa jednowątkowo, a nie wielowątkowo - poprawnie, ale zauważalnie wolniej niż usługa serwerowa. Dlatego obowiązuje tu znacznie bardziej rygorystyczny górny limit długości niż w przypadku pozostałych narzędzi audio na tej stronie - lepiej uczciwie wolno niż obiecywać fałszywą szybkość.
| Formaty wejściowe | MP3, WAV, M4A, AAC, OGG, OPUS, FLAC |
|---|---|
| Automatyczna konwersja | MP4 |
| Format wyjściowy | TXT |
| Przetwarzanie wsadowe | Nie |
| Przetwarzanie | Lokalnie w przeglądarce (WebAssembly) |
| Przesyłanie plików | Brak |
Ograniczenia: Działa jednowątkowo (brak trybu izolacji cross-origin na tej stronie), przez co jest zauważalnie wolniejsze niż usługi serwerowe - obowiązuje tu znacznie bardziej rygorystyczny górny limit długości na urządzenie (krótszy niż w pozostałych narzędziach audio). Używany jest kompaktowy poziom modelu "tiny": dobry przy wyraźnej mowie, słabszy przy silnym hałasie w tle, dialektach lub żargonie branżowym niż większy model. Rozpoznawanie nie jest bezbłędne - sprawdź wynik, zwłaszcza nazwy własne i liczby.
Nie, rozpoznawanie działa w całości lokalnie w przeglądarce dzięki WebAssembly.
Prawie 100 języków; wykrywane automatycznie lub wybierane na sztywno.
Rozpoznawanie mowy jest bardzo obciążające obliczeniowo i działa tu bez wielowątkowości - poprawnie, ale świadomie wolniej, zamiast obiecywać fałszywą szybkość.
Tak, narzędzie siostrzane "Wideo na napisy" zwraca SRT/VTT z dokładnymi znacznikami czasu.
Wideo na napisy · Usuń szum · Obraz do tekstu (OCR) · Obraz przebiegu fali · Nagraj audio · Zamień kanały