Prywatność na pierwszym miejscu
Przesłane pliki są automatycznie i trwale usuwane w ciągu dwóch godzin.
Automatyczne usuwanie
Głos na TXT
Podyktuj notatkę głosową, przypomnienie, wiadomość do współpracownika lub krótką notatkę bezpośrednio w przeglądarce albo prześlij nagranie i otrzymaj tekst w pliku zwykłego tekstu (.txt, UTF 8). Transkrypcja odbywa się za pomocą Whisper, modelu rozpoznawania mowy o otwartym kodzie źródłowym, 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 z interpunkcją; opcjonalnie oznacza zmiany mówców w wywiadach i na spotkaniach. Wynik: plik tekstowy (.txt, UTF 8).
-
Prywatność: nic nie zostanie przesłane, dopóki nie zostanie to potwierdzone. Plik audio i transkrypcja są automatycznie usuwane po przetworzeniu, najpóźniej w ciągu kilku godzin.
Transkrypcja
Jak działa konwersja mowy na TXT
Strona łączy rejestrator działający w przeglądarce z zapleczem 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 API firmy trzeciej.
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” w przypadku wywiadów i spotkań (oznacza, kto mówi, ale trwa to zauważalnie dłużej). Następnie rozpocznij transkrypcję.
3
Pobierz transkrypcję
Postęp jest wyświetlany podczas działania modelu; przetworzenie kilku minut nagrania 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 radzi sobie z akcentami, hałasem w tle oraz słownictwem technicznym niż silniki dyktowania sprzed kilku lat. Język jest wykrywany automatycznie.
Wykrywanie mówców na żądanie
W przypadku rozmów opcjonalne wykrywanie mówców oznacza w transkrypcji zmiany osoby mówiącej. Mniej więcej podwaja to czas przetwarzania, dlatego domyślnie jest wyłączone.
Pliki TXT dopasowane do Twojego sposobu 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 plik audio 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 głos jest przekształcany w TXT na tej stronie
Przeglądarka rejestruje 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, wraz z interpunkcją i podziałem 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 z normalną interpunkcją i podziałem na akapity, dzięki czemu można ją otworzyć w dowolnym edytorze tekstu, programie do edycji dokumentów lub aplikacji do notatek oraz wkleić w dowolnym miejscu. Strona wyników umożliwia jej pobranie; nagranie audio i transkrypcja są następnie automatycznie usuwane.
Wskazówki dotyczące nagrywania, które są ważniejsze niż jakiekolwiek ustawienie
Rozpoznawanie mowy jest tak dobre, jak nagranie audio. Największe znaczenie mają trzy rzeczy: odległość, hałas i nakładanie 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. W przypadku 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 sięga maksimum, lepiej nagrać materiał ponownie, zamiast liczyć na poprawną transkrypcję.
Typowe zastosowania konwersji głosu na TXT
Z tego narzędzia korzystają osoby, które wolą mówić niż pisać, lub potrzebują wiadomości głosowej poza aplikacją do czatu: aby przygotować e-mail lub artykuł podczas mówienia, zapisać protokół spotkania, zamienić wykład lub notatkę głosową w przeszukiwalne notatki, transkrybować odpowiedzi z wywiadów na potrzeby badań albo uzyskać czytelną wersję wiadomości głosowej, której nie można teraz odtworzyć.
Ponieważ Whisper automatycznie wykrywa język, ta sama strona działa bez żadnych ustawień dla niemieckiego dyktowania, hiszpańskiej notatki głosowej 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 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 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 niesłyszalnych w nagraniu.
Nazwy własne, nazwy produktów i rzadkie skróty są najczęstszym źródłem błędów; szybkie przejrzenie wyniku pod tym kątem zwykle jest jedyną korektą potrzebną 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, łącznie z interpunkcją. Dokładność spada przy silnym hałasie w tle, kilku osobach mówiących jednocześnie, 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 wykrywa język na podstawie pierwszych sekund nagrania, więc nie trzeba nic ustawiać. Nagrania w wielu 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 naciśnie Pani/Pan przycisku w oknie dialogowym. Jeśli Pani/Pan anuluje operację lub zamknie kartę, nic nie zostanie wysłane. Przesłane pliki i transkrypcje są automatycznie usuwane po przetworzeniu.
Jak długie może być nagranie?
Nagrywanie w przeglądarce zatrzymuje się po 30 minutach; przesłane pliki mogą być dłuższe. Czas przetwarzania wydłuża się wraz z długością nagrania audio, a wykrywanie mówców zajmuje dodatkowo mniej więcej tyle samo czasu.
Co robi funkcja „Wykrywanie wielu mówców”?
Przed transkrypcją uruchamia etap rozpoznawania mówców i wstawia znacznik przy każdej zmianie mówcy. Używaj tej opcji w przypadku wywiadów, spotkań i podcastów; pozostaw ją wyłączoną dla dyktowania i notatek głosowych, gdzie jedynie wydłuża czas oczekiwania.
Dlaczego plik .txt, a nie dokument Word?
Zwykły tekst jest najbardziej uniwersalnym wynikiem: otwiera się na każdym urządzeniu, można go łatwo wkleić do notatek, e-maili, edytorów CMS i czatów, a jego rozmiar jest bardzo mały. Jeśli potrzebują Państwo sformatowanego dokumentu, proszę wkleić tekst do edytora tekstu lub skorzystać z narzędzia mowy na PDF dostępnego na tej stronie.