Mowa na TXT

Jak mowa jest przekształcana w TXT 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 o otwartym kodzie źródłowym – przekształca go w tekst w jednym przebiegu, z uwzględnieniem interpunkcji i podziału na zdania. Jeśli włączono wykrywanie mówców, model diarizacji najpierw dzieli dźwięk 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 tekstu, procesorze tekstu lub aplikacji do notatek oraz wkleić w dowolnym miejscu. Strona wyników umożliwia jej pobranie; dźwięk i transkrypcja są następnie automatycznie usuwane.

Wskazówki dotyczące nagrywania ważniejsze niż jakiekolwiek ustawienia

Rozpoznawanie mowy jest tylko tak dobre, jak nagranie audio. 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 gorszą jakość tekstu niż nieco wolniejsza, pełna wypowiedź. Podczas 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 TXT

Z tego narzędzia korzystają nauczyciele, podcasterzy, dziennikarze oraz wszyscy, którzy szybciej formułują myśli na głos niż na klawiaturze: aby przygotować e-mail lub artykuł poprzez dyktowanie, zapisać protokół ze spotkania, zamienić wykład lub notatkę głosową w notatki z możliwością wyszukiwania, transkrybować odpowiedzi z wywiadów do celów badawczych oraz uzyskać czytelną wersję wiadomości głosowej, której nie można teraz odtworzyć.

Ponieważ Whisper automatycznie wykrywa język, ta sama strona działa bez żadnej konfiguracji zarówno dla niemieckiego dyktowania, hiszpańskiej notatki głosowej, jak i angielskiego wykładu. Transkrypcja nie jest tłumaczona – jest zapisywana w języku, w którym mówiono.

W przypadku dźwięku, który już istnieje jako plik – podcastów, wykładów i rozmów – konwertery audio na tekst oraz MP3 na tekst na tej stronie wykorzystują ten sam silnik z tymi samymi opcjami.

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 użyć dostępnych na tej stronie konwerterów napisów. Nie rozpoznaje mówców po nazwisku, a jedynie zmianę mówcy, gdy włączone jest wykrywanie mówców. Nie może też odtworzyć słów, których nie słychać na nagraniu.

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