Mowa do PDF

Jak mowa jest przekształcana w PDF na tej stronie

Przeglądarka nagrywa dźwięk z mikrofonu jako audio Opus (Chrome, Firefox, Edge) lub AAC (Safari) i przechowuje go w pamięci. Po potwierdzeniu plik jest przesyłany przez HTTPS na jeden z naszych serwerów transkrypcji.

Na serwerze ffmpeg dekoduje dźwięk, a Whisper – model rozpoznawania mowy typu open source – przekształca go w tekst w jednym przebiegu, uwzględniając interpunkcję i podział na zdania. Jeśli wykrywanie mówców jest włączone, model diarizacji najpierw dzieli dźwięk według mówców, a transkrypcja jest odpowiednio oznaczana.

Transkrypcja jest najpierw zapisywana jako tekst, a następnie formatowana jako PDF za pomocą LibreOffice – prosty dokument do druku z zaznaczalnym tekstem, bez skanów ani obrazów. Strona wyników umożliwia jego pobranie; plik audio i transkrypcja są następnie automatycznie usuwane.

Wskazówki dotyczące nagrywania ważniejsze niż jakiekolwiek ustawienie

Rozpoznawanie mowy jest tak dobre, jak jakość nagrania. Największe znaczenie mają trzy czynniki: odległość, hałas i nakładające się wypowiedzi. Mikrofon należy trzymać 10–20 cm od ust; telefon trzymany blisko sprawdzi się lepiej niż laptop stojący po drugiej stronie stołu. Należy wyłączyć wentylatory, zamknąć okno i unikać pomieszczeń z silnym pogłosem.

Należy mówić w naturalnym tempie i kończyć zdania – model wykorzystuje kontekst, dlatego urwane zdania i słowa wypełniające prowadzą do gorszego tekstu niż nieco wolniejsza, pełna wypowiedź. W przypadku wywiadów warto poprosić rozmówców, aby nie mówili jednocześnie; nakładająca się mowa jest najtrudniejszym przypadkiem dla każdego systemu rozpoznawania mowy.

Przed rozpoczęciem należy odsłuchać podgląd. Jeśli wskaźnik poziomu ledwo się porusza lub stale znajduje się na maksymalnym poziomie, lepiej nagrać materiał ponownie, zamiast liczyć na poprawną transkrypcję.

Typowe zastosowania konwersji mowy na PDF

Z tego narzędzia korzystają nauczyciele, podcasterzy, dziennikarze oraz wszyscy, którzy szybciej formułują myśli na głos niż na klawiaturze: do tworzenia szkicu e-maila lub artykułu przez mówienie, zapisywania protokołów ze spotkań, przekształcania wykładu lub notatki głosowej w notatki z możliwością wyszukiwania, transkrypcji odpowiedzi z wywiadów na potrzeby badań oraz uzyskania czytelnej wersji wiadomości głosowej, której nie można teraz odtworzyć.

Ponieważ Whisper automatycznie wykrywa język, ta sama strona działa bez żadnych ustawień dla dyktanda po niemiecku, notatki głosowej po hiszpańsku czy wykładu po angielsku. Transkrypcja nie jest tłumaczona — jest zapisywana w języku, w którym mówiono.

W przypadku nagrań audio dostępnych już jako pliki — podcastów, wykładów i rozmów — konwertery audio na tekst oraz MP3 na tekst na tej stronie korzystają z tego samego silnika i tych samych opcji.

Czego to narzędzie nie robi

Narzędzie nie tłumaczy: transkrypcje są tworzone w języku nagrania. Nie generuje znaczników czasowych napisów — w przypadku plików SRT lub VTT należy skorzystać z dostępnych na tej stronie konwerterów napisów. Nie rozpoznaje też mówców po nazwisku, a jedynie wykrywa zmianę mówcy, gdy włączona jest detekcja mówców. Nie może również odtworzyć słów, które są niesłyszalne w nagraniu.

Nazwy własne, nazwy produktów i rzadko używane skróty są najczęstszym źródłem błędów; szybkie przeczytanie wyniku z uwzględnieniem tych elementów zwykle wystarcza, aby poprawić transkrypcję czystego nagrania.