Az adatvédelem elsődlegessége
A feltöltött fájlok két órán belül automatikusan és véglegesen törlésre kerülnek.
Automatikus törlés
Beszed TXT vé alakítása
Diktáljon jegyzeteket, narrációt, előadási jegyzeteket, 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 történik saját szervereinken – körülbelül 100, automatikusan felismert nyelven.
-
Rögzítés: Beszéljen a böngészőben működő hangrögzítőbe – felvételenként legfeljebb 30 percig –, vagy töltsön fel MP3, WAV, M4A, AAC, OGG, FLAC vagy WebM fájlt.
-
Átírás: A Whisper írásjelekkel rögzíti a kimondott szavakat; interjúkhoz és megbeszélésekhez opcionálisan jelölheti a beszélőváltásokat. Kimenet: egyszerű szövegfájl (.txt, UTF 8).
-
Privát: Semmi sem kerül feltöltésre, amíg Ön meg nem erősíti. A hanganyag és az átirat a feldolgozás után automatikusan törlődik, legkésőbb néhány órán belül.
Átírás
Hogyan működik a beszéd TXT re konvertálása
Az oldal egy böngészőben használható felvevőt és egy GPU alapú átíró hátteret egyesít. A felvétel a Chrome, Firefox, Edge és Safari böngészőkbe beépített MediaRecorder felületet használja; a felismerést az OpenAI által közzétett nyílt forráskódú Whisper modell végzi, amely saját hardverünkön fut, nem pedig egy külső API n.
Converter App használata
1
Rögzítsen vagy töltsön fel
Nyomja meg a „Rögzítés 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 párbeszédablakban. Interjúkhoz és megbeszélésekhez kapcsolja be a „Több beszélő felismerése” funkciót (jelöli, ki beszél, de észrevehetően tovább tart). Ezután indítsa el az átírást.
3
Átirat letöltése
A folyamatjelző látható, amíg a modell dolgozik; 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 jóval hatékonyabban kezeli az akcentusokat, a háttérzajt és a szakszókincset, mint a néhány évvel ezelőtti diktálóprogramok. A rendszer automatikusan felismeri a nyelvet.
Beszélőfelismerés igény szerint
Beszélgetések esetén az opcionális beszélőfelismerés jelöli a beszélőváltásokat az átiratban. Nagyjából megduplázza a feldolgozási időt, ezért alapértelmezés szerint ki van kapcsolva.
A munkafolyamatához illeszkedő TXT kimenet
Az átirat egyszerű UTF 8 szövegfájlként kerül mentésre, normál írásjelekkel és bekezdéstörésekkel, így bármely szövegszerkesztőben, dokumentumszerkesztőben vagy jegyzetalkalmazásban megnyitható, és bárhová beilleszthető.
Ingyenes és privát
Nincs fiók, nincs vízjel, nincs próbaidőszámláló. 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 TXT ezen az oldalon
Böngészője Opus hangként (Chrome, Firefox, Edge) vagy AAC ként (Safari) rögzíti a mikrofon hangját, és a memóriában tárolja. Jóváhagyáskor a fájl HTTPS en keresztül feltöltődik az egyik átíró szerverünkre.
Ott az ffmpeg dekódolja a hangot, a Whisper – egy nyílt forráskódú beszédfelismerő modell – pedig egy lépésben szöveggé alakítja azt, írásjelekkel és mondattörésekkel együtt. Ha a beszélőfelismerés be van kapcsolva, egy diarizációs modell először beszélőnként felosztja a hanganyagot, és az átiratot ennek megfelelően jelöli.
Az átirat egyszerű UTF 8 szövegfájlként kerül mentésre, szokásos írásjelekkel és bekezdéstörésekkel, így bármelyik szövegszerkesztőben, dokumentumszerkesztőben vagy jegyzetalkalmazásban megnyitható, és bárhová beilleszthető. Az eredményoldalon letöltheti; a hanganyag és az átirat ezután automatikusan törlődik.
Felvételi tippek, amelyek minden beállításnál fontosabbak
A beszédfelismerés pontossága a hanganyag minőségén múlik. Három tényező számít a legtöbbet: a távolság, a zaj és az egymásra beszélés. Tartsa a mikrofont 10–20 cm-re a szájától; egy közel tartott telefon jobb eredményt ad, 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 is figyelembe veszi, ezért a félbehagyott mondatok és a töltelékszavak rosszabb szöveget eredményeznek, mint a kissé lassabb, de teljes beszéd. Interjúk esetén kérje meg a résztvevőket, hogy ne beszéljenek egymás szavába; az egymásra beszélés minden felismerő rendszer számára a legnehezebb eset.
Indítás előtt hallgassa meg az előnézetet. Ha a kivezérlésjelző alig mozdul, vagy folyamatosan a maximumon van, inkább készítsen új felvételt, mint hogy abban bízzon, hogy az átirat megfelelő lesz.
A beszéd TXT formátumba alakításának tipikus felhasználási módjai
Ezt az eszközt tanárok, podcasterek, újságírók és mindenki használhatja, aki hangosan gyorsabban gondolkodik, mint billentyűzeten gépelve: e-mail vagy cikk megfogalmazására beszéd közben, értekezleti jegyzőkönyvek rögzítésére, előadás vagy hangjegyzet kereshető jegyzetekké alakítására, kutatási interjúk válaszainak átírására, illetve olyan hangüzenetek olvasható változatának elkészítésére, amelyeket éppen nem lehet lejátszani.
Mivel a Whisper automatikusan felismeri a nyelvet, ugyanaz az oldal beállítások nélkül használható német diktáláshoz, spanyol hangjegyzethez vagy angol előadáshoz. Az átirat nem fordítás: azon a nyelven készül, amelyen a beszéd elhangzott.
A már fájlként rendelkezésre álló hanganyagok – podcastok, előadások, hívások – esetében az ezen 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 hoz létre felirat-időzítést – SRT vagy VTT fájlokhoz használja a webhely feliratkonvertálóit. Nem azonosítja név szerint a beszélőket, csak a beszélőváltást jelöli, ha a beszélőfelismerés be van kapcsolva. A felvételen nem hallható szavakat sem tudja helyreállítani.
A tulajdonnevek, terméknevek és ritka rövidítések okozzák a leggyakoribb hibákat; tiszta felvétel esetén általában elegendő gyorsan átolvasni az eredményt 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 ismeri fel, az írásjeleket is beleértve. Az erős háttérzaj, az egymás szavába vágó több beszélő, a nagyon halk hanganyag vagy az erős nyelvjárás csökkenti a pontosságot – az alábbi felvételi tippek többet segítenek bármilyen beállításnál.
Mely nyelvek támogatottak?
A Whisper körülbelül 100 nyelvet ismer fel, és a hanganyag első másodpercei alapján automatikusan kiválasztja a nyelvet, így nincs szükség beállításra. A többnyelvű felvételeket a domináns nyelven írja át. Az átirat a beszélt nyelven készül, nem fordítjuk le.
A hang feltöltődik, miközben beszélek?
Nem. A felvevő a böngészőjében tárolja a hanganyagot, amíg meg nem nyomja a párbeszédablakban található gombot. Ha megszakítja a folyamatot vagy bezárja a lapot, semmi sem kerül elküldésre. A feltöltött fájlok és az átiratok a feldolgozás után automatikusan törlődnek.
Milyen hosszú lehet a felvétel?
A böngészőben működő rögzítő 30 perc után leáll; a feltöltött fájlok hosszabbak is lehetnek. A feldolgozási idő a hanganyag hosszával nő, a beszélőfelismerés pedig nagyjából ugyanennyi időt igényel még.
Mit jelent a „Több beszélő felismerése” funkció?
Az átírás előtt beszélőazonosítást végez, és jelölőt szúr be minden alkalommal, amikor a beszélő megváltozik. Használja interjúkhoz, megbeszélésekhez és podcastokhoz; diktálás és hangjegyzetek esetén hagyja kikapcsolva, mert csak növeli a várakozási időt.
Miért .txt fájl, és miért nem Word dokumentum?
Az egyszerű szöveg a leghordozhatóbb eredmény: minden eszközön megnyitható, tisztán beilleszthető jegyzetekbe, e-mailekbe, CMS szerkesztőkbe és csevegésekbe, ráadásul nagyon kis méretű. Ha formázott dokumentumra van szüksége, illessze be a szöveget a szövegszerkesztőjébe, vagy használja ezen a webhelyen a beszéd–PDF eszközt.