VOICE to TXT

Hogyan lesz a hangból TXT ezen az oldalon

Böngészője Opus hangként (Chrome, Firefox, Edge) vagy AAC formátumban (Safari) rögzíti a mikrofon hangját, és a memóriában tárolja azt. Jóváhagyás után a fájl HTTPS en keresztül feltöltődik az egyik átíró szerverünkre.

Ott az ffmpeg dekódolja a hangot, majd a Whisper – egy nyílt forráskódú beszédfelismerő modell – egyetlen lépésben szöveggé alakítja azt, írásjelekkel és mondattörésekkel együtt. Ha a beszélőfelismerés be van kapcsolva, egy diarizációs modell először beszélőkre bontja a hanganyagot, majd az átirat ennek megfelelő jelöléseket kap.

Az átirat egyszerű UTF 8 szövegfájlként kerül mentésre, normál írásjelekkel és bekezdéstörésekkel, így bármely szövegszerkesztőben, szövegfeldolgozóban 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 nagyban függ a hanganyag minőségétől. Három tényező számít a legtöbbet: a távolság, a zaj és az átfedő beszéd. 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 használja, ezért a félbehagyott mondatok és a töltelékszavak rosszabb szöveget eredményeznek, mint a kissé lassabb, de 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 jelszintmérő alig mozdul, vagy folyamatosan a maximumon van, inkább készítsen új felvételt, mintsem abban bízzon, hogy az átirat megfelelő lesz.

Hangfájlok TXT formátumba konvertálásának tipikus felhasználási módjai

Ezt az eszközt azok használják, akik inkább beszélnek, mint gépelnek, vagy akiknek egy csevegőalkalmazáson kívül van szükségük hangüzenetre: e-mail vagy cikk diktálásához, értekezleti jegyzőkönyv rögzítéséhez, előadás vagy hangjegyzet kereshető jegyzetté 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 elhangzott.

A már fájlként rendelkezésre álló hanganyagok – podcastok, előadások, hívások – esetében az oldal hangból szöveg és MP3 ból szöveg konverterei 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-időzítéseket – SRT vagy VTT fájlokhoz használja a webhely feliratkonvertálóit. 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 gyorsan átolvasni az eredményt, különös tekintettel ezekre.