GŁOS na TEKST

Jak głos staje się tekstem na tej stronie

Przeglądarka rejestruje dźwięk z mikrofonu jako 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 podziały zdań. Jeśli wykrywanie mówców jest włączone, model diarizacji najpierw dzieli dźwięk według mówców, a transkrypcja jest odpowiednio oznaczana.

Transkrypcja jest zapisywana jako zwykły plik tekstowy UTF 8 z normalną interpunkcją i podziałami akapitów, dzięki czemu można ją otworzyć w dowolnym edytorze, programie do edycji 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 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 gorszą jakość tekstu niż nieco wolniejsza, ale pełna wypowiedź. Podczas wywiadów warto poprosić rozmówców, aby nie mówili jednocześnie; nakładająca się mowa to najtrudniejszy przypadek dla każdego systemu rozpoznawania mowy.

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

Typowe zastosowania konwersji głosu na tekst

Z tego narzędzia korzystają osoby, które wolą mówić niż pisać, lub potrzebują wiadomości głosowej poza aplikacją czatu: do tworzenia wiadomości e-mail lub artykułu za pomocą mówienia, zapisywania protokołów ze spotkań, przekształcania wykładu lub notatki głosowej w notatki z możliwością wyszukiwania, transkrypcji odpowiedzi z wywiadów do celów badawczych oraz uzyskania czytelnej wersji wiadomości głosowej, której nie można teraz odtworzyć.

Ponieważ Whisper automatycznie wykrywa język, ta sama strona działa dla dyktowania po niemiecku, notatki głosowej po hiszpańsku lub wykładu po angielsku 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 czasowych napisów — w przypadku plików SRT lub VTT skorzystaj z dostępnych na tej stronie konwerterów napisów. Nie rozpoznaje mówców po nazwisku, a jedynie wykrywa zmianę mówcy, gdy włączone jest wykrywanie mówców. Nie może też 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 to zazwyczaj jedyna korekta potrzebna w przypadku wyraźnego nagrania.