Φωνή σε κείμενο

Πώς η φωνή μετατρέπεται σε κείμενο σε αυτή τη σελίδα

Το πρόγραμμα περιήγησής σας καταγράφει το μικρόφωνο ως ήχο Opus (Chrome, Firefox, Edge) ή AAC (Safari) και το 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 αναλόγως.

Η απομαγνητοφώνηση αποθηκεύεται ως απλό αρχείο κειμένου UTF 8 με κανονική στίξη και αλλαγές παραγράφων, ώστε να ανοίγει σε οποιοδήποτε πρόγραμμα επεξεργασίας κειμένου, επεξεργαστή εγγράφων ή εφαρμογή σημειώσεων και να μπορεί να επικολληθεί οπουδήποτε. Η σελίδα αποτελέσματος επιτρέπει τη λήψη του αρχείου· ο ήχος και η απομαγνητοφώνηση διαγράφονται αυτόματα στη συνέχεια.

Συμβουλές εγγραφής που έχουν μεγαλύτερη σημασία από οποιαδήποτε 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 κινητό τηλέφωνο που το κρατάτε κοντά είναι καλύτερο από έναν φορητό υπολογιστή στην άλλη άκρη του τραπεζιού. Κλείστε ανεμιστήρες, κλείστε το παράθυρο και αποφύγετε χώρους με έντονη ηχώ.

Μιλήστε με φυσιολογικό ρυθμό και ολοκληρώνετε τις προτάσεις σας – το μοντέλο χρησιμοποιεί το περιεχόμενο, επομένως οι μισοτελειωμένες 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 άλλον· η ταυτόχρονη ομιλία είναι η δυσκολότερη περίπτωση για κάθε σύστημα αναγνώρισης.

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

Συνήθεις χρήσεις της μετατροπής φωνής σε κείμενο

Το εργαλείο αυτό χρησιμοποιείται από άτομα που προτιμούν να μιλούν αντί να πληκτρολογούν ή που χρειάζονται ένα φωνητικό μήνυμα εκτός εφαρμογής συνομιλίας: για σύνταξη e-mail ή άρθρου με ομιλία, καταγραφή πρακτικών συσκέψεων, μετατροπή διάλεξης ή φωνητικής σημείωσης σε σημειώσεις με δυνατότητα αναζήτησης, απομαγνητοφώνηση απαντήσεων συνεντεύξεων για έρευνα και λήψη μιας αναγνώσιμης έκδοσης φωνητικού μηνύματος που δεν μπορεί να αναπαραχθεί αυτή τη στιγμή.

Επειδή το Whisper ανιχνεύει αυτόματα τη γλώσσα, η ίδια σελίδα λειτουργεί για γερμανική υπαγόρευση, ισπανική φωνητική σημείωση 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 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, μια γρήγορη ανάγνωση του αποτελέσματος έχοντας αυτά υπόψη είναι η μόνη επεξεργασία που χρειάζεται μια καθαρή εγγραφή.