Ομιλία σε TXT.

Πώς η ομιλία μετατρέπεται σε TXT σε αυτήν τη σελίδα

Το πρόγραμμα περιήγησής σας καταγράφει 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 πρότασης. 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 οποιοδήποτε πρόγραμμα επεξεργασίας, επεξεργαστή κειμένου ή εφαρμογή σημειώσεων και να μπορεί να επικολληθεί οπουδήποτε. Η σελίδα αποτελεσμάτων σάς επιτρέπει να το κατεβάσετε· στη συνέχεια, ο ήχος και η απομαγνητοφώνηση διαγράφονται αυτόματα.

Συμβουλές εγγραφής που είναι πιο σημαντικές από κάθε ρύθμιση

Η αναγνώριση ομιλίας είναι τόσο καλή όσο και ο ήχος. Τρία πράγματα κάνουν τη μεγαλύτερη διαφορά: η απόσταση, ο θόρυβος και η επικάλυψη ομιλίας. Κρατήστε το μικρόφωνο 10–20 cm από το στόμα σας· ένα τηλέφωνο που κρατάτε κοντά αποδίδει καλύτερα από έναν φορητό υπολογιστή στην απέναντι πλευρά του τραπεζιού. Απενεργοποιήστε τους 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 μην μιλούν ο ένας πάνω στον άλλο· η επικαλυπτόμενη ομιλία είναι η δυσκολότερη 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 μεταγραφή θα βγει σωστή.

Συνήθεις χρήσεις της μετατροπής ομιλίας σε TXT

Αυτό το εργαλείο χρησιμοποιείται από εκπαιδευτικούς, δημιουργούς podcast, δημοσιογράφους και όλους όσοι σκέφτονται πιο γρήγορα όταν μιλούν παρά όταν πληκτρολογούν: για τη σύνταξη ενός e-mail ή άρθρου με ομιλία, την καταγραφή πρακτικών συναντήσεων, τη μετατροπή μιας διάλεξης ή ενός φωνητικού σημειώματος σε σημειώσεις με δυνατότητα αναζήτησης, την απομαγνητοφώνηση απαντήσεων συνεντεύξεων για έρευνα και τη λήψη μιας ευανάγνωστης έκδοσης ενός φωνητικού μηνύματος που δεν μπορεί να αναπαραχθεί αυτή τη στιγμή.

Επειδή το Whisper ανιχνεύει τη γλώσσα αυτόματα, 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 αυτού του ιστότοπου χρησιμοποιούν την ίδια μηχανή με τις ίδιες επιλογές.

Τι δεν κάνει αυτό το εργαλείο

Δεν μεταφράζει: οι απομαγνητοφωνήσεις είναι στη γλώσσα ομιλίας. Δεν δημιουργεί χρονισμούς υποτίτλων – για αρχεία SRT ή VTT χρησιμοποιήστε τους μετατροπείς υποτίτλων αυτού του ιστότοπου. Δεν αναγνωρίζει τους ομιλητές με το όνομά τους, παρά 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 αρκεί μια γρήγορη ανάγνωση του αποτελέσματος έχοντας αυτά κατά νου, για να διορθωθεί μια καθαρή εγγραφή.