Prywatność na pierwszym miejscu
Przesłane pliki są automatycznie i trwale usuwane w ciągu dwóch godzin.
Automatyczne usuwanie
Mowa na tekst
Mogą Państwo dyktować tekst, narrację, notatki z wykładu, odpowiedzi do wywiadu lub krótki komentarz lektorski bezpośrednio w przeglądarce albo przesłać nagranie i otrzymać tekst w postaci pliku zwykłego tekstu (.txt, UTF 8). Transkrypcja wykorzystuje Whisper, model rozpoznawania mowy typu open source, działający na naszych własnych serwerach — w około 100 językach wykrywanych automatycznie.
-
Nagraj: mów do rejestratora w przeglądarce — do 30 minut na jedno nagranie — lub prześlij plik MP3, WAV, M4A, AAC, OGG, FLAC albo WebM.
-
Transkrypcja: Whisper zapisuje słowa wraz z interpunkcją; opcjonalnie oznacza zmiany mówców w wywiadach i na spotkaniach. Wynik: plik tekstowy (.txt, UTF 8).
-
Prywatność: nic nie zostanie przesłane, dopóki nie potwierdzą Państwo operacji. Plik audio i transkrypcja są automatycznie usuwane po przetworzeniu, najpóźniej w ciągu kilku godzin.
Transkrypcja
Jak działa konwersja mowy na tekst
Strona łączy rejestrator działający w przeglądarce z systemem transkrypcji opartym na GPU. Nagrywanie wykorzystuje interfejs MediaRecorder wbudowany w Chrome, Firefox, Edge i Safari; rozpoznawanie mowy realizuje Whisper, model open source opublikowany przez OpenAI, działający na naszym własnym sprzęcie, a nie za pośrednictwem zewnętrznego API.
Jak korzystać z Converter App
1
Nagraj lub prześlij plik
Naciśnij „Nagraj za pomocą mikrofonu”, jednorazowo zezwól na dostęp i zacznij mówić. Minutnik i wskaźnik poziomu potwierdzą, że dźwięk jest odbierany. Możesz też przesłać istniejące nagranie – notatki głosowe z dowolnego telefonu będą odpowiednie.
2
Sprawdź i rozpocznij
Odsłuchaj nagranie w oknie dialogowym. Włącz opcję „Wykryj wielu mówców” dla wywiadów i spotkań (oznacza, kto mówi, ale trwa zauważalnie dłużej). Następnie rozpocznij transkrypcję.
3
Pobierz transkrypcję
Postęp jest wyświetlany podczas pracy modelu; przetworzenie kilku minut mowy zwykle zajmuje znacznie mniej niż minutę. Na stronie wyników można pobrać plik tekstowy (.txt, UTF 8).
Najważniejsze funkcje
Technologia Whisper w tle
Whisper został wytrenowany na 680 000 godzin wielojęzycznych nagrań audio i znacznie lepiej niż silniki dyktowania sprzed kilku lat radzi sobie z akcentami, hałasem w tle oraz słownictwem technicznym. Język jest wykrywany automatycznie.
Wykrywanie mówców na żądanie
W przypadku rozmów opcjonalne wykrywanie mówców oznacza zmiany mówcy w transkrypcji. W przybliżeniu podwaja czas przetwarzania, dlatego domyślnie jest wyłączone.
Tekst w formacie dopasowanym do Twojego przepływu pracy
Transkrypcja jest zapisywana jako zwykły plik tekstowy UTF 8 z normalną interpunkcją i podziałem na akapity, dzięki czemu można ją otworzyć w dowolnym edytorze, procesorze tekstu lub aplikacji do notatek oraz wkleić w dowolnym miejscu.
Bezpłatnie i prywatnie
Bez konta, bez znaku wodnego, bez limitu wersji próbnej. Nagranie nie opuszcza urządzenia, dopóki nie zostanie to potwierdzone, a dźwięk i transkrypcja są automatycznie usuwane po przetworzeniu.
Doświadczenie i prywatność
Stworzone z myślą o niezawodnych procesach transkrypcji.
Opracowane przez inżynierów z ponad 10-letnim doświadczeniem w infrastrukturze wielkoskalowej, systemach danych i obliczeniach naukowych. Zaprojektowane z myślą o rzeczywistych procesach audio, w których liczą się prywatność, niezawodne przetwarzanie i praktyczna użyteczność.
Zaufane przez użytkowników
Ocena 5 gwiazdek na Trustpilot za szybkość, niezawodność i łatwość obsługi.
Zaufanie użytkowników
Zastosowanie akademickie
Wspominane w opublikowanych badaniach i używane do transkrypcji wywiadów oraz analizy danych jakościowych.
Do użytku badawczego
Jak mowa zamienia się na tekst na tej stronie
Państwa 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 o otwartym kodzie źródłowym – przekształca go w tekst w jednym przebiegu, uwzględniając interpunkcję i podział na zdania. Jeśli wykrywanie mówców jest włączone, model diaryzacji najpierw dzieli nagranie według mówców, a transkrypcja jest odpowiednio oznaczana.
Transkrypcja jest zapisywana jako zwykły plik tekstowy UTF 8 ze standardową interpunkcją i podziałem na akapity, dzięki czemu można ją otworzyć w dowolnym edytorze, procesorze tekstu lub aplikacji do notatek oraz wkleić w dowolnym miejscu. Strona wyników umożliwia pobranie pliku; nagranie audio i transkrypcja są następnie automatycznie usuwane.
Wskazówki dotyczące nagrywania ważniejsze niż jakiekolwiek ustawienie
Rozpoznawanie mowy jest tak dobre, jak jakość dźwięku. 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 normalnym tempie i kończyć zdania – model wykorzystuje kontekst, dlatego urwane zdania i słowa wypełniające powodują gorsze wyniki niż nieco wolniejsza, pełna wypowiedź. Podczas wywiadów warto poprosić rozmówców, aby nie mówili jednocześnie; nakładające się wypowiedzi są 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 dźwięk ponownie, zamiast liczyć na poprawną transkrypcję.
Typowe zastosowania konwersji mowy na tekst
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 podczas mówienia, zapisywania protokołów ze spotkań, zamieniania wykładu lub notatki głosowej w notatki z możliwością wyszukiwania, transkrypcji odpowiedzi z wywiadów do celów badawczych oraz uzyskiwania czytelnej wersji wiadomości głosowej, której nie można teraz odtworzyć.
Ponieważ Whisper automatycznie wykrywa język, ta sama strona działa w przypadku niemieckiego dyktowania, hiszpańskiej notatki głosowej lub angielskiego wykładu bez żadnych ustawień. Transkrypcja nie jest tłumaczona – jest zapisywana w języku, w którym mówiono.
W przypadku dźwięku, który już istnieje jako plik – podcastów, wykładów, rozmów – konwertery audio na tekst i 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 mówionym. Nie generuje znaczników czasu napisów — aby utworzyć pliki SRT lub VTT, należy skorzystać z konwerterów napisów dostępnych na tej stronie. Nie rozpoznaje mówców po nazwisku, a jedynie zmianę mówcy, gdy wykrywanie mówców jest włączone. Nie może też odtworzyć słów, których nie słychać na nagraniu.
Nazwy własne, nazwy produktów i rzadko używane skróty są najczęstszym źródłem błędów; szybkie przeczytanie wyniku z uwzględnieniem tych elementów zwykle wystarcza jako jedyna korekta potrzebna w przypadku czystego nagrania.
FAQ
Najczęściej zadawane pytania
Jak dokładna jest transkrypcja?
W przypadku wyraźnego nagrania z jednym mówcą Whisper zazwyczaj poprawnie rozpoznaje znacznie ponad 90 % słów w głównych językach, wraz z interpunkcją. Dokładność spada przy silnym hałasie w tle, gdy kilka osób mówi jednocześnie, przy bardzo cichym dźwięku lub wyraźnym dialekcie – poniższe wskazówki dotyczące nagrywania pomagają bardziej niż jakiekolwiek ustawienie.
Które języki są obsługiwane?
Whisper rozpoznaje około 100 języków i automatycznie wybiera język na podstawie pierwszych sekund nagrania audio, więc nie trzeba niczego ustawiać. Nagrania w kilku językach są transkrybowane w języku dominującym. Transkrypcja jest tworzona w języku mówionym; nie jest tłumaczona.
Czy dźwięk jest przesyłany podczas mówienia?
Nie. Rejestrator przechowuje dźwięk w przeglądarce, dopóki nie zostanie naciśnięty przycisk w oknie dialogowym. Jeśli anulują Państwo operację lub zamkną kartę, nic nie zostanie wysłane. Przesłane pliki i transkrypcje są automatycznie usuwane po przetworzeniu.
Jak długie może być nagranie?
Rejestrator w przeglądarce zatrzymuje się po 30 minutach; przesłane pliki mogą być dłuższe. Czas przetwarzania rośnie wraz z długością nagrania audio, a wykrywanie mówców zajmuje dodatkowo mniej więcej tyle samo czasu.
Co robi opcja „Wykryj wielu mówców”?
Przed transkrypcją uruchamia etap rozpoznawania mówców i wstawia znacznik przy każdej zmianie rozmówcy. Używaj tej opcji do wywiadów, spotkań i podcastów; pozostaw ją wyłączoną w przypadku dyktowania i notatek głosowych, ponieważ tylko wydłuża czas oczekiwania.
Czy mogę później edytować tekst?
Tak – wynikiem jest zwykły plik .txt. Można go otworzyć w dowolnym edytorze, poprawić nazwy lub terminy techniczne, które model błędnie rozpoznał, a następnie wkleić tekst tam, gdzie jest potrzebny. Nazwy własne i rzadko używane skróty to elementy, które najczęściej wymagają sprawdzenia.