Поверителността на първо място
Качените файлове се изтриват автоматично и окончателно в рамките на два часа.
Автоматично изтриване
Глас към текст
Диктувайте гласова бележка, напомняне, съобщение до колега или кратък меморандум директно в браузъра или качете запис и получете думите като обикновен текстов файл (.txt, UTF 8). Транскрибирането се извършва с Whisper – модела за разпознаване на реч с отворен код – на нашите собствени сървъри, на приблизително 100 езика, разпознати автоматично.
-
Запишете: Говорете в рекордера на браузъра – до 30 минути на запис – или качете MP3, WAV, M4A, AAC, OGG, FLAC или WebM.
-
Транскрибиране: Whisper записва думите с пунктуация; при желание отбелязва смяната на говорещия при интервюта и срещи. Изход: обикновен текстов файл (.txt, UTF 8).
-
Поверително: Нищо не се качва, докато не потвърдите. Аудиото и транскрипцията се изтриват автоматично след обработката, най-късно в рамките на няколко часа.
Транскрибиране
Как работи преобразуването на глас в текст
Страницата съчетава рекордер в браузъра с GPU система за транскрибиране. Записването използва интерфейса MediaRecorder, вграден в Chrome, Firefox, Edge и Safari; разпознаването се извършва от Whisper — модела с отворен код, публикуван от OpenAI, който работи на наш собствен хардуер, а не чрез API на трета страна.
Как да използвате Converter App
1
Запишете или качете файл
Натиснете „Запис с вашия микрофон“, разрешете достъп еднократно и говорете. Таймер и индикатор за нивото потвърждават, че се получава аудио. Или качете съществуващ запис – гласови бележки от всеки телефон са подходящи.
2
Проверете и започнете
Прослушайте записа в диалоговия прозорец. Включете „Откриване на множество говорители“ за интервюта и срещи (така се отбелязва кой говори, но отнема значително повече време). След това стартирайте транскрибирането.
3
Изтеглете транскрипцията
Напредъкът се показва, докато моделът работи; няколко минути реч обикновено се обработват за значително по-малко от минута. Изтеглете текстов файл (.txt, UTF 8) от страницата с резултата.
Основни функции
Whisper под капака
Whisper е обучен с 680 000 часа многоезично аудио и се справя с акценти, фонов шум и техническа терминология много по-добре от системите за диктовка отпреди няколко години. Езикът се разпознава автоматично.
Разпознаване на говорители при поискване
При разговори опционалното разпознаване на говорители отбелязва смяната на говорителя в транскрипцията. То приблизително удвоява времето за обработка, затова по подразбиране е изключено.
Текстов изход, който пасва на Вашия работен процес
Преписът се записва като обикновен UTF 8 текстов файл с нормална пунктуация и нови абзаци, така че се отваря във всеки редактор, текстообработваща програма или приложение за бележки и може да бъде поставен навсякъде.
Безплатно и поверително
Без акаунт, без воден знак, без ограничение за пробен период. Записът не напуска Вашето устройство, докато не потвърдите, а аудиофайлът и транскрипцията се изтриват автоматично след обработката.
Опит и поверителност
Създаден за надеждни работни процеси по транскрибиране.
Разработено от инженери с над 10 години опит в голяма инфраструктура, системи за данни и научни изчисления. Проектирано за реални работни процеси с аудио, където поверителността, надеждната обработка и практическата използваемост са важни.
Одобрено от потребителите
Оценен с 5 звезди в Trustpilot за бързина, надеждност и лесна употреба.
Доверие на потребителите
Академична употреба
Цитирано в публикувани изследвания и използвано за транскрибиране на интервюта и качествен анализ на данни.
Изследователска употреба
Как гласът се превръща в текст на тази страница
Вашият браузър записва микрофона като Opus аудио (Chrome, Firefox, Edge) или AAC (Safari) и го съхранява в паметта. Когато потвърдите, файлът се качва чрез HTTPS към един от нашите сървъри за транскрибиране.
Там ffmpeg декодира аудиото, а Whisper – модел за разпознаване на реч с отворен код – го преобразува в текст с едно преминаване, включително с пунктуация и разделяне на изреченията. Ако е включено разпознаването на говорители, модел за диаризация първо разделя аудиото по говорители, след което транскрипцията се анотира съответно.
Транскрипцията се запазва като обикновен UTF 8 текстов файл с нормална пунктуация и абзаци, така че се отваря във всеки текстов редактор, текстообработваща програма или приложение за бележки и може да бъде поставена навсякъде. Страницата с резултата Ви позволява да я изтеглите; след това аудиото и транскрипцията се изтриват автоматично.
Съвети за запис, които са по-важни от всяка настройка
Разпознаването на реч е толкова добро, колкото е добър звукът. Най-голяма разлика правят три неща: разстоянието, шумът и припокриването на гласове. Дръжте микрофона на 10–20 см от устата си; телефон, държан близо, е по-добър от лаптоп от другия край на масата. Изключете вентилаторите, затворете прозореца и избягвайте помещения със силно ехо.
Говорете с нормално темпо и завършвайте изреченията – моделът използва контекста, затова недовършените изречения и паразитните думи дават по-лош текст от малко по-бавната, но завършена реч. При интервюта помолете хората да не говорят един през друг; припокриващата се реч е най-трудният случай за всяка система за разпознаване.
Прослушайте предварителния преглед, преди да започнете. Ако индикаторът за нивото едва помръдва или постоянно е на максимална стойност, запишете отново, вместо да се надявате, че транскрипцията ще се получи правилно.
Типични приложения на преобразуването на глас в текст
Този инструмент се използва от хора, които предпочитат да говорят, вместо да пишат, или се нуждаят от гласово съобщение извън приложение за чат: за съставяне на имейл или статия чрез говорене, записване на протокол от среща, превръщане на лекция или гласова бележка в бележки с възможност за търсене, транскрибиране на отговори от интервю за проучване и получаване на четима версия на гласово съобщение, което в момента не може да бъде възпроизведено.
Тъй като Whisper разпознава езика автоматично, същата страница работи за диктовка на немски, гласова бележка на испански или лекция на английски без никакви настройки. Транскрипцията не се превежда – тя се изписва на езика, на който е говорено.
За аудио, което вече съществува като файл – подкасти, лекции, разговори – конверторите за аудио към текст и MP3 към текст на този сайт използват същата интелигентна система със същите опции.
Какво не прави този инструмент
Той не превежда: транскрипциите са на говоримия език. Не създава времеви маркери за субтитри – за SRT или VTT файлове използвайте конверторите за субтитри на този сайт. Не разпознава говорещите по име, а само при смяна на говорещия, когато е включено разпознаването на говорещи. Освен това не може да възстанови думи, които не се чуват в записа.
Собствените имена, имената на продукти и редките съкращения са най-честите грешки; обикновено е достатъчно бързо да прегледате резултата с оглед на тях, за да редактирате чист запис.
FAQ
Често задавани въпроси
Колко точен е преписът?
При ясен запис и един говорител Whisper обикновено разпознава правилно над 90 % от думите на основните езици, включително пунктуацията. Точността спада при силен фонов шум, няколко души, които говорят едновременно, много тихо аудио или силен диалект – съветите за запис по-долу помагат повече от която и да е настройка.
Кои езици се поддържат?
Whisper разпознава приблизително 100 езика и автоматично избира езика от първите секунди на аудиото, така че не е необходимо да настройвате нищо. Записи със смесени езици се транскрибират на преобладаващия език. Транскрипцията се изписва на говорения език; не се превежда.
Аудиото качва ли се, докато говоря?
Не. Рекордерът съхранява аудиото в браузъра Ви, докато не натиснете бутона в диалоговия прозорец. Ако отмените действието или затворите раздела, нищо не се изпраща. Качените файлове и транскрипциите се изтриват автоматично след обработката.
Колко дълъг може да бъде записът?
Рекордерът в браузъра спира след 30 минути; качените файлове могат да бъдат по-дълги. Времето за обработка се увеличава с продължителността на аудиото, а разпознаването на говорителите добавя приблизително същото време.
Какво прави „Откриване на множество говорители“?
Преди транскрибирането се извършва разпознаване на говорещите и при всяка смяна на говорещия се добавя маркер. Използвайте го за интервюта, срещи и подкасти; оставете го изключено за диктовки и гласови бележки, при които само увеличава времето за изчакване.
Мога ли да редактирам текста след това?
Да – резултатът е обикновен .txt файл. Отворете го в произволен редактор, коригирайте имена или технически термини, които моделът е разпознал неправилно, и го поставете там, където Ви е необходим. Собствените имена и редките съкращения са най-честите неща, които трябва да проверите.