Az adatvédelem elsődlegessége
A feltöltött fájlok két órán belül automatikusan és véglegesen törlésre kerülnek.
Automatikus törlés
Beszéd szöveggé alakítása
Diktáljon jegyzeteket, narrációt, előadásjegyzeteket, interjúválaszokat vagy gyors hangalámondást közvetlenül a böngészőbe, illetve töltsön fel egy felvételt, és kapja meg a szöveget egyszerű szövegfájlként (.txt, UTF 8). Az átírás a Whisper nyílt forráskódú beszédfelismerő modelljével, saját szervereinken történik – körülbelül 100, automatikusan felismert nyelven.
-
Rögzítés: Beszéljen a böngészőben elérhető hangrögzítőbe – felvételenként legfeljebb 30 percig –, vagy töltsön fel MP3-, WAV-, M4A-, AAC-, OGG-, FLAC- vagy WebM-fájlt.
-
Átírás: A Whisper írásjelekkel írja le a szavakat; interjúkhoz és megbeszélésekhez opcionálisan jelölheti a beszélőváltásokat. Kimenet: egyszerű szövegfájl (.txt, UTF 8).
-
Privát: Semmi sem kerül feltöltésre, amíg Ön nem erősíti meg. A hangfájl és az átirat a feldolgozás után automatikusan, de legkésőbb néhány órán belül törlődik.
Átírás
A beszéd szöveggé alakításának működése
Az oldal egy böngészőben használható hangrögzítőt és egy GPU alapú átíró háttérrendszert kombinál. A rögzítés a Chrome, Firefox, Edge és Safari böngészőkbe beépített MediaRecorder felületet használja; a felismerést a Whisper, az OpenAI által közzétett nyílt forráskódú modell végzi, amely saját hardverünkön fut, nem pedig harmadik fél API ján.
Converter App használata
1
Rögzítsen vagy töltsön fel
Nyomja meg a „Felvétel mikrofonnal” gombot, egyszer engedélyezze a hozzáférést, majd beszéljen. Az időzítő és a jelszintmérő jelzi, hogy érkezik hang. Meglévő felvételt is feltölthet – bármely telefon hangjegyzetei megfelelnek.
2
Ellenőrzés és indítás
Hallgassa meg a felvételt a párbeszédpanelen. Interjúkhoz és megbeszélésekhez kapcsolja be a „Több beszélő felismerése” lehetőséget (jelöli, hogy ki beszél, de észrevehetően tovább tart). Ezután indítsa el az átírást.
3
Átirat letöltése
A feldolgozás során megjelenik a folyamatjelző; néhány percnyi beszéd feldolgozása általában jóval egy percnél kevesebb időt vesz igénybe. Az eredményoldalról letölthet egy egyszerű szövegfájlt (.txt, UTF 8).
Főbb funkciók
Whisper a háttérben
A Whisper 680 000 órányi többnyelvű hanganyagon lett betanítva, és a néhány évvel ezelőtti diktálóprogramoknál jóval hatékonyabban kezeli az akcentusokat, a háttérzajt és a műszaki szókincset. A rendszer automatikusan felismeri a nyelvet.
Beszélőfelismerés kérésre
Beszélgetések esetén az opcionális beszélőfelismerés jelöli a beszélőváltásokat az átiratban. Ez nagyjából megduplázza a feldolgozási időt, ezért alapértelmezés szerint ki van kapcsolva.
A munkafolyamatához illeszkedő szöveges kimenet
Az átirat egyszerű UTF 8 szövegfájlként kerül mentésre, normál írásjelekkel és bekezdéstörésekkel, így bármely szövegszerkesztőben, szövegfeldolgozóban vagy jegyzetalkalmazásban megnyitható, és bárhová beilleszthető.
Ingyenes és privát
Nincs fiók, nincs vízjel, nincs próbaszámláló. A felvétel a jóváhagyásig nem hagyja el az eszközét, a hangfájl és az átirat pedig a feldolgozás után automatikusan törlődik.
Tapasztalat és adatvédelem
Megbízható átírási munkafolyamatokhoz készült.
Nagy léptékű infrastruktúrában, adatkezelő rendszerekben és tudományos számításokban jártas mérnökök fejlesztették, akiknek több mint 10 évnyi tapasztalatuk van. Valós audio munkafolyamatokra terveztük, ahol a magánszféra védelme, a megbízható feldolgozás és a praktikus használhatóság számít.
A felhasználók bizalma
5 csillagos értékelést kapott a sebesség, a megbízhatóság és a könnyű használat miatt a Trustpilot oldalon.
Felhasználói bizalom
Akadémiai használat
Hivatkoztak rá publikált kutatásokban, és interjúk átírására és kvalitatív adatelemzésre használták.
Kutatási felhasználás
Hogyan lesz a beszédből szöveg ezen az oldalon
A böngésző Opus hangként (Chrome, Firefox, Edge) vagy AAC formátumban (Safari) rögzíti a mikrofon hangját, és a memóriában tárolja. Jóváhagyás után a fájl HTTPS en keresztül feltöltődik valamelyik átíró szerverünkre.
Ott az ffmpeg dekódolja a hangot, a Whisper – egy nyílt forráskódú beszédfelismerő modell – pedig egy lépésben szöveggé alakítja, írásjelekkel és mondattörésekkel együtt. Ha a beszélőfelismerés be van kapcsolva, egy diarizációs modell először beszélők szerint bontja fel a hanganyagot, majd az átirat ennek megfelelően lesz megjegyzésekkel ellátva.
Az átirat egyszerű UTF 8 szövegfájlként, normál írásjelekkel és bekezdéstörésekkel kerül mentésre, így bármely szövegszerkesztőben, szövegszerkesztő programban vagy jegyzetalkalmazásban megnyitható, és bárhová beilleszthető. Az eredményoldalon letöltheti; a hanganyag és az átirat ezt követően automatikusan törlődik.
Felvételi tippek, amelyek minden beállításnál többet számítanak
A beszédfelismerés csak annyira jó, amennyire a hanganyag. Három tényező számít a legtöbbet: a távolság, a zaj és az átfedés. Tartsa a mikrofont 10–20 cm-re a szájától; egy közel tartott telefon jobb, mint az asztal túloldalán lévő laptop. Kapcsolja ki a ventilátorokat, csukja be az ablakot, és kerülje az erős visszhangú helyiségeket.
Beszéljen normál tempóban, és fejezze be a mondatokat – a modell a szövegkörnyezetet használja, ezért a félbehagyott mondatok és a töltelékszavak rosszabb szöveget eredményeznek, mint a kissé lassabb, teljes mondatok. Interjúk esetén kérje meg a résztvevőket, hogy ne beszéljenek egymás szavába; az átfedő beszéd minden beszédfelismerő számára a legnehezebb eset.
Indítás előtt hallgassa meg az előnézetet. Ha a szintmérő alig mozdul, vagy folyamatosan a maximumot jelzi, inkább készítse el újra a felvételt, mintsem abban bízzon, hogy az átirat megfelelő lesz.
A beszéd szöveggé alakításának gyakori felhasználási módjai
Ezt az eszközt tanárok, podcasterek, újságírók és mindenki használhatja, aki hangosan gyorsabban gondolkodik, mint billentyűzeten gépelve: e-mailek vagy cikkek diktálására, értekezleti jegyzőkönyvek rögzítésére, előadások vagy hangjegyzetek kereshető jegyzetekké alakítására, interjúválaszok kutatási célú átírására, illetve olyan hangüzenetek olvasható változatának elkészítésére, amelyek éppen nem játszhatók le.
Mivel a Whisper automatikusan felismeri a nyelvet, ugyanaz az oldal beállítások nélkül használható német diktáláshoz, spanyol hangjegyzethez vagy angol nyelvű előadáshoz. Az átirat nem kerül lefordításra – azon a nyelven készül, amelyen a beszéd elhangzott.
A már fájlként meglévő hanganyagok – podcastok, előadások, hívások – esetében az oldalon található hang-szöveg és MP3 szöveg konvertálók ugyanazt a motort használják, ugyanazokkal a beállításokkal.
Amit ez az eszköz nem végez el
Nem fordít: az átiratok a beszélt nyelven készülnek. Nem készít feliratidőzítéseket – SRT vagy VTT fájlokhoz használja az ezen a webhelyen elérhető feliratkonvertálókat. Nem azonosítja név szerint a beszélőket, csak a beszélőváltásokat, ha a beszélőfelismerés be van kapcsolva. És nem tudja helyreállítani a felvételen nem hallható szavakat.
A tulajdonnevek, terméknevek és ritka rövidítések okozzák a leggyakoribb hibákat; tiszta felvétel esetén általában elegendő az eredményt gyorsan átolvasni ezekre figyelve.
FAQ
Gyakran ismételt kérdések
Mennyire pontos az átirat?
Tiszta felvétel és egyetlen beszélő esetén a Whisper a főbb nyelveken jellemzően a szavak jóval több mint 90%-át helyesen felismeri, az írásjeleket is beleértve. Az erős háttérzaj, az egymás szavába vágó több beszélő, a nagyon halk hanganyag vagy az erős nyelvjárás csökkenti a pontosságot – ilyenkor az alábbi felvételi tippek minden beállításnál többet segítenek.
Mely nyelvek támogatottak?
A Whisper körülbelül 100 nyelvet ismer fel, és a hanganyag első másodpercei alapján automatikusan kiválasztja a nyelvet, így nincs mit beállítani. A többnyelvű felvételeket a rendszer a domináns nyelven írja át. Az átirat a beszélt nyelven készül, nem fordítjuk le.
A hang fel lesz töltve, miközben beszélek?
Nem. A felvevő a hanganyagot a böngészőjében tárolja, amíg meg nem nyomja a párbeszédpanelen lévő gombot. Ha megszakítja a műveletet vagy bezárja a lapot, semmi nem kerül elküldésre. A feltöltött fájlok és az átiratok a feldolgozás után automatikusan törlődnek.
Milyen hosszú lehet a felvétel?
A böngészőben működő felvevő 30 perc után leáll; a feltöltött fájlok hosszabbak is lehetnek. A feldolgozási idő a hanganyag hosszával együtt nő, és a beszélőfelismerés nagyjából ugyanennyi időt vesz igénybe.
Mit tesz a „Több beszélő felismerése” funkció?
A rendszer az átírás előtt beszélőazonosítást végez, és minden beszélőváltáskor jelölőt szúr be. Használja interjúkhoz, megbeszélésekhez és podcastokhoz; diktálásnál és hangjegyzeteknél hagyja kikapcsolva, mert ott csak növeli a várakozási időt.
Szerkeszthetem később a szöveget?
Igen – az eredmény egy egyszerű .txt fájl. Nyissa meg bármelyik szövegszerkesztőben, javítsa ki a modell által félreértett neveket vagy szakkifejezéseket, majd illessze be oda, ahol szüksége van rá. A tulajdonnevek és a ritka rövidítések azok, amelyeket leggyakrabban érdemes ellenőrizni.