แปลงเสียงเป็นข้อความ

บทสัมภาษณ์ การบันทึกเลคเชอร์ หรือบันทึกเสียงไอเดียระหว่างเดินทาง เครื่องมือนี้จะฟังการบันทึกแล้วถอดออกมาเป็นข้อความที่ค้นหาและคัดลอกได้ โมเดลที่ใช้รู้จำเสียงคือ Whisper จาก OpenAI ซึ่งที่นี่คอมไพล์ขึ้นมาเป็น WebAssembly แบบเธรดเดียวโดยเฉพาะ เป็นเทคโนโลยีพื้นฐานเดียวกับที่บริการถอดเสียงชื่อดังใช้ เพียงแต่ที่นี่ทำงานบนอุปกรณ์ของคุณทั้งหมดแทนที่จะเป็นเซิร์ฟเวอร์ของคนอื่น

ตามค่าเริ่มต้น Whisper จะตรวจจับภาษาที่พูดเองโดยอัตโนมัติ ("ตรวจจับอัตโนมัติ") แต่สำหรับการบันทึกสั้นๆ หรือหลายภาษา ก็สามารถกำหนดภาษาตายตัวได้เช่นกัน ซึ่งอาจช่วยเพิ่มความแม่นยำและความเร็วขึ้นเล็กน้อย ผลลัพธ์จะแสดงเป็นข้อความต่อเนื่องโดยขึ้นย่อหน้าใหม่ตามแต่ละช่วงการพูด สำหรับวิดีโอที่ต้องการไทม์สแตมป์ฝังอยู่ในตัว มีเครื่องมือคู่กัน "วิดีโอเป็นคำบรรยาย" ที่ใช้การรู้จำเสียงแบบเดียวกันแต่ส่งออกเป็นไฟล์ SRT/VTT พร้อมจุดเวลาที่แม่นยำ

เนื่องจากทำงานโดยไม่มีหน่วยความจำร่วม (ไม่มี cross-origin isolation) การรู้จำเสียงจึงทำงานแบบเธรดเดียวแทนที่จะเป็นหลายเธรด ถูกต้องในทางเทคนิคแต่ช้ากว่าบริการที่ทำงานบนเซิร์ฟเวอร์อย่างเห็นได้ชัด ด้วยเหตุนี้ที่นี่จึงมีขีดจำกัดความยาวที่เข้มงวดกว่าเครื่องมือเสียงอื่นๆ ของเว็บไซต์นี้มาก เพราะช้าแบบตรงไปตรงมาดีกว่าสัญญาความเร็วที่ไม่จริง

ข้อมูลทางเทคนิค

ใน 3 ขั้นตอน

1. วางไฟล์เสียงของคุณ
2. เลือกภาษาหรือปล่อยไว้ที่ "ตรวจจับอัตโนมัติ"
3. คัดลอกข้อความที่รู้จำได้หรือดาวน์โหลดเป็น TXT

ข้อจำกัด: ทำงานแบบเธรดเดียว (หน้านี้ไม่มีโหมด cross-origin isolation) จึงช้ากว่าบริการที่ทำงานบนเซิร์ฟเวอร์อย่างเห็นได้ชัด มีขีดจำกัดความยาวต่ออุปกรณ์ที่เข้มงวดกว่ามากที่นี่ (สั้นกว่าเครื่องมือเสียงอื่นๆ) ใช้โมเดลระดับ "tiny" ที่กะทัดรัด เหมาะกับเสียงพูดที่ชัดเจน แต่ทำได้ไม่ดีเท่าโมเดลที่ใหญ่กว่าเมื่อมีเสียงรบกวนพื้นหลังหนักๆ สำเนียงท้องถิ่น หรือศัพท์เฉพาะทาง การรู้จำเสียงไม่ได้แม่นยำร้อยเปอร์เซ็นต์ ควรตรวจสอบผลลัพธ์ โดยเฉพาะชื่อเฉพาะและตัวเลข

คำถามที่พบบ่อย

เครื่องมือที่เกี่ยวข้อง

วิดีโอเป็นคำบรรยาย · ลบเสียงรบกวน · รูปภาพเป็นข้อความ (OCR) · ภาพรูปคลื่นเสียง · บันทึกเสียง · สลับแชนแนล