Az adatvédelem elsődlegessége
A feltöltött fájlok két órán belül automatikusan és véglegesen törlésre kerülnek.
Automatikus törlés
Hang konvertálása szöveggé
Diktáljon hangjegyzetet, emlékeztetőt, kollégának szóló üzenetet vagy rövid feljegyzést közvetlenül a böngészőbe, illetve töltsön fel egy felvételt, és kapja meg a szöveget egyszerű szövegfájlként (.txt, UTF 8). Az átírást a Whisper nyílt forráskódú beszédfelismerő modell végzi saját szervereinken – körülbelül 100, automatikusan felismert nyelven.
-
Rögzítés: Beszéljen a böngésző felvevőjébe – felvételenként legfeljebb 30 percig –, vagy töltsön fel MP3-, WAV-, M4A-, AAC-, OGG-, FLAC- vagy WebM-fájlt.
-
Átírás: A Whisper írásjelekkel írja le a szavakat; interjúk és megbeszélések esetén opcionálisan jelölheti a beszélőváltásokat. Kimenet: egyszerű szövegfájl (.txt, UTF 8).
-
Privát: Semmit sem töltünk fel, amíg Ön meg nem erősíti. A hangfájl és az átirat a feldolgozás után automatikusan törlődik, legkésőbb néhány órán belül.
Átírás
Hang szöveggé alakítása – hogyan működik
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 külső API n keresztül.
Converter App használata
1
Rögzítsen vagy töltsön fel
Kattintson a „Felvétel mikrofonnal” gombra, egyszer engedélyezze a hozzáférést, majd beszéljen. Az időzítő és a jelszintmérő jelzi, hogy érkezik hang. Meglévő felvételt is feltölthet – bármely telefonról származó hangjegyzet megfelel.
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
Töltse le az átiratot
A folyamatjelző a modell működése közben látható; néhány percnyi beszéd feldolgozása általában jóval egy percnél kevesebb időt vesz igénybe. Az eredményoldalról letölthet egy egyszerű szövegfájlt (.txt, UTF 8).
Főbb funkciók
A háttérben a Whisper működik
A Whisper 680 000 óra többnyelvű hanganyagon lett betanítva, és sokkal jobban kezeli az akcentusokat, a háttérzajt és a szakmai szókincset, mint a néhány évvel ezelőtti diktálóprogramok. A nyelv automatikus felismerése történik.
Beszélőfelismerés igény szerint
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, 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 hanganyag 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 hangból szöveg ezen az oldalon
A böngésző Opus hangként (Chrome, Firefox, Edge) vagy AAC ként (Safari) rögzíti a mikrofont, és a memóriában tárolja. Jóváhagyás után a fájl HTTPS en keresztül feltöltődik egyik 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 felosztja a hanganyagot, majd az átirat ennek megfelelően megjegyzésekkel lesz ellátva.
Az átirat egyszerű UTF 8 szövegfájlként kerül mentésre, normál írásjelekkel és bekezdéstörésekkel, így bármely szerkesztőben, szövegszerkesztőben vagy jegyzetalkalmazásban megnyitható, és bárhová beilleszthető. Az eredményoldalon letölthető; a hanganyag és az átirat ezt követően automatikusan törlődik.
Felvételi tippek, amelyek minden beállításnál fontosabbak
A beszédfelismerés minősége csak annyira jó, amennyire a hanganyag. Három tényező számít a legtöbbet: a távolság, a zaj és az átfedő beszéd. Tartsa a mikrofont 10–20 cm-re a szájától; a közel tartott telefon jobb eredményt ad, mint az asztal túloldalán lévő laptop. Kapcsolja ki a ventilátorokat, csukja be az ablakot, és kerülje az erősen visszhangzó helyiségeket.
Beszéljen normál tempóban, és fejezze be a mondatokat – a modell a szövegkörnyezetet is használja, 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 átfedő beszéd minden beszédfelismerő számára a legnehezebb eset.
Indítás előtt hallgassa meg az előnézetet. Ha a szintmérő alig mozdul, vagy folyamatosan a maximumon van, inkább készítsen új felvételt, mintsem abban bízzon, hogy a leirat megfelelő lesz.
A hang hanggá alakításának tipikus felhasználási módjai
Ezt az eszközt azok használják, akik inkább beszélnek, mint gépelnek, vagy akiknek csevegőalkalmazáson kívül van szükségük hangüzenetre: e-mail vagy cikk diktálásához, értekezleti jegyzőkönyv rögzítéséhez, előadás vagy hangjegyzet kereshető jegyzetekké alakításához, kutatási interjúk válaszainak átírásához, illetve olyan hangüzenet olvasható változatának elkészítéséhez, amelyet éppen nem lehet lejátszani.
Mivel a Whisper automatikusan felismeri a nyelvet, ugyanaz az oldal beállítás nélkül használható német diktáláshoz, spanyol hangjegyzethez vagy angol előadáshoz. Az átirat nem kerül lefordításra – azon a nyelven készül, amelyen a beszéd elhangzott.
A már fájlként rendelkezésre álló hanganyagok – podcastok, előadások, hívások – esetében az oldalon található hangból szöveg és MP3 ból 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 feliratidőzítést – SRT vagy VTT fájlokhoz használja a webhely feliratkonvertálóit. Nem azonosítja név szerint a beszélőket, csak a beszélőváltást jelzi, ha a beszélőfelismerés be van kapcsolva. Azokat a szavakat sem tudja helyreállítani, amelyek nem hallhatók a felvételen.
A tulajdonnevek, terméknevek és ritka rövidítések okozzák a leggyakoribb hibákat; tiszta felvétel esetén általában elegendő az eredményt gyorsan átolvasni, különös figyelemmel ezekre.
FAQ
Gyakran ismételt kérdések
Mennyire pontos az átirat?
Tiszta felvétel és egy beszélő esetén a Whisper a főbb nyelveken jellemzően a szavak jóval több mint 90%-át helyesen ismeri fel, az írásjelekkel együtt. Erős háttérzaj, egymás szavába vágó több beszélő, nagyon halk hang vagy erős nyelvjárás esetén a pontosság csökken – 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 szükség beállításra. A vegyes nyelvű felvételeket a rendszer a domináns nyelven írja át. Az átirat a beszélt nyelven készül, nem fordítjuk le.
A hang feltöltődik, miközben beszélek?
Nem. A rögzítő a hanganyagot a böngészőjében tárolja, amíg meg nem nyomja a párbeszédablakban lévő gombot. Ha megszakítja a műveletet vagy bezárja a lapot, semmi sem kerül elküldésre. A feltöltött fájlok és 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 nő, a beszélőfelismerés pedig nagyjából ugyanennyi időt ad hozzá.
Mit jelent a „Több beszélő felismerése” funkció?
A rendszer az átírás előtt beszélőazonosítást végez, és jelölést szúr be minden alkalommal, amikor a beszélő megváltozik. Használja interjúkhoz, megbeszélésekhez és podcastokhoz; diktálásnál és hangjegyzeteknél hagyja kikapcsolva, mert csak növeli a várakozási időt.
Szerkeszthetem később a szöveget?
Igen – az eredmény egy egyszerű .txt fájl. Nyissa meg bármely szerkesztőben, javítsa ki a neveket vagy a műszaki kifejezéseket, amelyeket a modell félrehallott, majd illessze be oda, ahol szüksége van rá. A tulajdonneveket és a ritka rövidítéseket érdemes leggyakrabban ellenőrizni.