Ομιλία σε κείμενο

Πώς η ομιλία μετατρέπεται σε κείμενο σε αυτή τη σελίδα

Το πρόγραμμα περιήγησής σας καταγράφει τον ήχο από το μικρόφωνο ως ήχο Opus (Chrome, Firefox, Edge) ή AAC (Safari) και τον διατηρεί στη μνήμη. Όταν επιβεβαιώσετε, το αρχείο μεταφορτώνεται μέσω HTTPS σε έναν από τους διακομιστές απομαγνητοφώνησής μας.

Εκεί, το ffmpeg αποκωδικοποιεί τον ήχο και το Whisper –ένα μοντέλο αναγνώρισης ομιλίας ανοιχτού κώδικα– τον μετατρέπει σε κείμενο σε ένα βήμα, συμπεριλαμβανομένων των σημείων στίξης και των αλλαγών προτάσεων. Αν είναι ενεργοποιημένη η ανίχνευση ομιλητών, ένα μοντέλο διαχωρισμού ομιλητών χωρίζει πρώτα τον ήχο ανά ομιλητή και η απομαγνητοφώνηση επισημαίνεται ανάλογα.

Η απομαγνητοφώνηση αποθηκεύεται ως απλό αρχείο κειμένου UTF 8 με κανονική στίξη και αλλαγές παραγράφων, ώστε να ανοίγει σε κάθε πρόγραμμα επεξεργασίας κειμένου, εφαρμογή σημειώσεων ή άλλο πρόγραμμα επεξεργασίας και να μπορεί να επικολληθεί οπουδήποτε. Η σελίδα αποτελεσμάτων σάς επιτρέπει να τη λάβετε· ο ήχος και η απομαγνητοφώνηση διαγράφονται αυτόματα στη συνέχεια.

Συμβουλές ηχογράφησης που έχουν μεγαλύτερη σημασία από οποιαδήποτε ρύθμιση

Η αναγνώριση ομιλίας είναι τόσο καλή όσο και ο ήχος. Τρεις παράγοντες κάνουν τη μεγαλύτερη διαφορά: η απόσταση, ο θόρυβος και η επικάλυψη ομιλίας. Κρατήστε το μικρόφωνο σε απόσταση 10–20 cm από το στόμα σας· ένα τηλέφωνο που κρατάτε κοντά είναι καλύτερο από έναν φορητό υπολογιστή στην άλλη πλευρά του τραπεζιού. Απενεργοποιήστε ανεμιστήρες, κλείστε το παράθυρο και αποφύγετε χώρους με έντονη ηχώ.

Μιλήστε με φυσιολογικό ρυθμό και ολοκληρώνετε τις προτάσεις σας – το μοντέλο χρησιμοποιεί το συμφραζόμενο, επομένως οι μισές προτάσεις και οι λέξεις-γεμίσματα παράγουν χειρότερο κείμενο από μια ελαφρώς πιο αργή, ολοκληρωμένη ομιλία. Για συνεντεύξεις, ζητήστε από τους συμμετέχοντες να μη μιλούν ταυτόχρονα· η επικαλυπτόμενη ομιλία είναι η πιο δύσκολη περίπτωση για κάθε σύστημα αναγνώρισης.

Ακούστε την προεπισκόπηση πριν ξεκινήσετε. Αν ο μετρητής στάθμης μόλις που κινείται ή παραμένει συνεχώς στο μέγιστο, ηχογραφήστε ξανά αντί να ελπίζετε ότι η απομαγνητοφώνηση θα είναι σωστή.

Συνήθεις χρήσεις της μετατροπής ομιλίας σε κείμενο

Αυτό το εργαλείο χρησιμοποιείται από εκπαιδευτικούς, δημιουργούς podcast, δημοσιογράφους και κάθε άτομο που σκέφτεται πιο γρήγορα μιλώντας παρά πληκτρολογώντας: για σύνταξη e-mail ή άρθρου με ομιλία, καταγραφή πρακτικών συσκέψεων, μετατροπή μιας διάλεξης ή φωνητικής σημείωσης σε σημειώσεις με δυνατότητα αναζήτησης, απομαγνητοφώνηση απαντήσεων συνεντεύξεων για έρευνα και λήψη μιας ευανάγνωστης έκδοσης ενός φωνητικού μηνύματος που δεν μπορεί να αναπαραχθεί αυτή τη στιγμή.

Επειδή το Whisper εντοπίζει αυτόματα τη γλώσσα, η ίδια σελίδα λειτουργεί για γερμανική υπαγόρευση, ισπανικό φωνητικό σημείωμα ή αγγλική διάλεξη χωρίς καμία ρύθμιση. Η απομαγνητοφώνηση δεν μεταφράζεται – γράφεται στη γλώσσα που μιλήθηκε.

Για ήχο που υπάρχει ήδη ως αρχείο – podcast, διαλέξεις, κλήσεις – οι μετατροπείς ήχου σε κείμενο και MP3 σε κείμενο σε αυτόν τον ιστότοπο χρησιμοποιούν την ίδια μηχανή με τις ίδιες επιλογές.

Τι δεν κάνει αυτό το εργαλείο

Δεν μεταφράζει: οι απομαγνητοφωνήσεις είναι στη γλώσσα που ομιλείται. Δεν δημιουργεί χρονισμούς υποτίτλων – για αρχεία SRT ή VTT χρησιμοποιήστε τους μετατροπείς υποτίτλων σε αυτόν τον ιστότοπο. Δεν αναγνωρίζει τους ομιλητές με βάση το όνομά τους, αλλά μόνο την αλλαγή ομιλητή όταν είναι ενεργοποιημένη η ανίχνευση ομιλητών. Επίσης, δεν μπορεί να ανακτήσει λέξεις που δεν ακούγονται στην εγγραφή.

Τα κύρια ονόματα, οι ονομασίες προϊόντων και οι σπάνιες συντομογραφίες είναι τα συχνότερα λάθη· συνήθως, μια γρήγορη ανάγνωση του αποτελέσματος έχοντάς τα υπόψη είναι όλη η επεξεργασία που χρειάζεται μια καθαρή εγγραφή.