ความเป็นส่วนตัวมาก่อน
ไฟล์ที่อัปโหลดจะถูกลบโดยอัตโนมัติและถาวรภายในสองชั่วโมง
การลบอัตโนมัติ
แปลงคำพูดเป็น TXT
ป้อนข้อความด้วยเสียง บรรยาย จดโน้ตการบรรยาย คำตอบจากการสัมภาษณ์ หรือเสียงพากย์สั้นๆ ได้โดยตรงในเบราว์เซอร์ หรืออัปโหลดไฟล์บันทึกเสียง แล้วรับข้อความเป็นไฟล์ข้อความล้วน (.txt, UTF 8) ระบบถอดเสียงทำงานด้วย Whisper โมเดลรู้จำเสียงพูดแบบโอเพนซอร์ส บนเซิร์ฟเวอร์ของเราเอง รองรับราว 100 ภาษาและตรวจจับภาษาโดยอัตโนมัติ
-
บันทึกเสียง: พูดผ่านเครื่องบันทึกเสียงในเบราว์เซอร์ได้ครั้งละสูงสุด 30 นาที หรืออัปโหลดไฟล์ MP3, WAV, M4A, AAC, OGG, FLAC หรือ WebM
-
ถอดเสียง: Whisper เขียนคำพูดพร้อมเครื่องหมายวรรคตอน และสามารถระบุการเปลี่ยนผู้พูดสำหรับการสัมภาษณ์และการประชุมได้ตามต้องการ ผลลัพธ์: ไฟล์ข้อความธรรมดา (.txt, UTF 8)
-
เป็นส่วนตัว: จะไม่มีการอัปโหลดใด ๆ จนกว่าคุณจะยืนยัน ไฟล์เสียงและข้อความถอดเสียงจะถูกลบโดยอัตโนมัติหลังการประมวลผล อย่างช้าที่สุดภายในไม่กี่ชั่วโมง
การถอดเสียง
การแปลงเสียงพูดเป็น TXT ทำงานอย่างไร
หน้านี้รวมเครื่องบันทึกเสียงบนเบราว์เซอร์เข้ากับแบ็กเอนด์ถอดเสียงที่ใช้ GPU การบันทึกใช้ интерфейс MediaRecorder ที่มีอยู่ใน Chrome, Firefox, Edge และ Safari ส่วนการรู้จำเสียงใช้ Whisper ซึ่งเป็นโมเดลโอเพนซอร์สที่เผยแพร่โดย OpenAI และทำงานบนฮาร์ดแวร์ของเราเอง ไม่ใช่ผ่าน API ของบุคคลที่สาม
วิธีใช้ Converter App
1
บันทึกหรืออัปโหลด
กด "บันทึกด้วยไมโครโฟนของคุณ" อนุญาตการเข้าถึงหนึ่งครั้ง แล้วเริ่มพูด ตัวจับเวลาและมาตรวัดระดับจะยืนยันว่ามีเสียงเข้ามา หรืออัปโหลดไฟล์บันทึกเสียงที่มีอยู่แล้วก็ได้ — บันทึกเสียงจากโทรศัพท์ทุกรุ่นใช้ได้
2
ตรวจสอบและเริ่มต้น
ฟังไฟล์เสียงในกล่องโต้ตอบ เปิดใช้ "ตรวจจับผู้พูดหลายคน" สำหรับการสัมภาษณ์และการประชุม (ระบบจะระบุว่าใครกำลังพูด แต่ใช้เวลานานขึ้นอย่างเห็นได้ชัด) จากนั้นเริ่มถอดเสียง
3
ดาวน์โหลดข้อความถอดเสียง
ระบบจะแสดงความคืบหน้าขณะที่โมเดลทำงาน โดยเสียงที่มีความยาวไม่กี่นาทีมักใช้เวลาน้อยกว่าหนึ่งนาทีมาก ดาวน์โหลดไฟล์ข้อความล้วน (.txt, UTF 8) ได้จากหน้าผลลัพธ์
คุณสมบัติหลัก
ขับเคลื่อนด้วย Whisper
Whisper ได้รับการฝึกฝนด้วยข้อมูลเสียงหลายภาษากว่า 680,000 ชั่วโมง และจัดการกับสำเนียง เสียงรบกวนรอบข้าง และคำศัพท์ทางเทคนิคได้ดีกว่าระบบถอดเสียงพูดเมื่อไม่กี่ปีก่อนมาก ระบบจะตรวจจับภาษาโดยอัตโนมัติ
ตรวจจับผู้พูดได้ตามต้องการ
สำหรับบทสนทนา การตรวจจับผู้พูดเพิ่มเติมจะระบุการเปลี่ยนผู้พูดในข้อความถอดเสียง โดยจะใช้เวลาในการประมวลผลเพิ่มขึ้นประมาณสองเท่า จึงปิดใช้งานไว้เป็นค่าเริ่มต้น
ไฟล์ TXT ที่เหมาะกับขั้นตอนการทำงานของคุณ
ไฟล์ถอดเสียงจะถูกบันทึกเป็นไฟล์ข้อความ UTF 8 แบบธรรมดา พร้อมเครื่องหมายวรรคตอนและการขึ้นย่อหน้าตามปกติ จึงเปิดได้ในโปรแกรมแก้ไขข้อความ โปรแกรมประมวลผลคำ หรือแอปจดบันทึกทุกชนิด และสามารถวางได้ทุกที่
ฟรีและเป็นส่วนตัว
ไม่ต้องมีบัญชี ไม่มีลายน้ำ ไม่มีตัวนับการทดลองใช้ฟรี ไฟล์บันทึกเสียงจะไม่ออกจากอุปกรณ์ของคุณจนกว่าคุณจะยืนยัน และไฟล์เสียงกับข้อความถอดเสียงจะถูกลบโดยอัตโนมัติหลังประมวลผลเสร็จสิ้น
ประสบการณ์ & ความเป็นส่วนตัว
สร้างขึ้นเพื่อเวิร์กโฟลว์การถอดความที่เชื่อถือได้
พัฒนาโดยวิศวกรที่มีประสบการณ์มากกว่า 10 ปี ในโครงสร้างพื้นฐานขนาดใหญ่, ระบบข้อมูล และการประมวลผลเชิงวิทยาศาสตร์ ออกแบบมาสำหรับเวิร์กโฟลว์เสียงในโลกจริงที่ความเป็นส่วนตัว การประมวลผลที่เชื่อถือได้ และการใช้งานที่เหมาะสมมีความสำคัญ.
ได้รับความไว้วางใจจากผู้ใช้งาน
ได้รับคะแนน 5 ดาว บน Trustpilot ในด้านความเร็ว ความน่าเชื่อถือ และความง่ายในการใช้งาน
ความไว้วางใจของผู้ใช้
การใช้งานทางวิชาการ
อ้างอิงในงานวิจัยที่เผยแพร่ และใช้สำหรับการถอดความบทสัมภาษณ์และการวิเคราะห์ข้อมูลเชิงคุณภาพ
การใช้งานเพื่อการวิจัย
เสียงพูดกลายเป็น TXT บนหน้านี้ได้อย่างไร
เบราว์เซอร์ของคุณจะบันทึกเสียงจากไมโครโฟนเป็นเสียง Opus (Chrome, Firefox, Edge) หรือ AAC (Safari) และเก็บไว้ในหน่วยความจำ เมื่อคุณยืนยัน ไฟล์จะถูกอัปโหลดผ่าน HTTPS ไปยังเซิร์ฟเวอร์ถอดเสียงของเราเครื่องหนึ่ง
จากนั้น ffmpeg จะถอดรหัสเสียง และ Whisper – โมเดลรู้จำเสียงพูดแบบโอเพนซอร์ส – จะแปลงเป็นข้อความในขั้นตอนเดียว พร้อมเครื่องหมายวรรคตอนและการขึ้นประโยคใหม่ หากเปิดการตรวจจับผู้พูด ระบบแยกผู้พูดจะเริ่มแบ่งเสียงตามผู้พูดก่อน แล้วจึงใส่คำกำกับลงในข้อความถอดเสียงตามนั้น
ข้อความถอดเสียงจะถูกบันทึกเป็นไฟล์ข้อความ UTF 8 แบบธรรมดาที่มีเครื่องหมายวรรคตอนและการแบ่งย่อหน้าตามปกติ จึงเปิดได้ในโปรแกรมแก้ไขข้อความ โปรแกรมประมวลผลคำ หรือแอปจดบันทึกทุกชนิด และสามารถวางได้ทุกที่ หน้าผลลัพธ์ให้คุณดาวน์โหลดไฟล์ได้ โดยเสียงและข้อความถอดเสียงจะถูกลบโดยอัตโนมัติหลังจากนั้น
เคล็ดลับการบันทึกเสียงที่สำคัญยิ่งกว่าการตั้งค่าใดๆ
การรู้จำเสียงพูดจะมีประสิทธิภาพได้ดีเพียงใดขึ้นอยู่กับคุณภาพเสียงเป็นสำคัญ โดยมี 3 ปัจจัยที่ส่งผลมากที่สุด ได้แก่ ระยะห่าง เสียงรบกวน และการพูดทับกัน ควรวางไมโครโฟนให้ห่างจากปาก 10–20 ซม. การถือโทรศัพท์ไว้ใกล้ปากให้ผลดีกว่าใช้แล็ปท็อปที่วางอยู่ฝั่งตรงข้ามโต๊ะ ปิดพัดลม ปิดหน้าต่าง และหลีกเลี่ยงห้องที่มีเสียงสะท้อนมาก
พูดด้วยความเร็วปกติและพูดให้จบประโยค โมเดลจะใช้บริบทในการประมวลผล ดังนั้นประโยคที่พูดไม่จบและคำอุทานแทรกจะทำให้ข้อความที่ได้แย่กว่าการพูดให้ช้าลงเล็กน้อยแต่ครบถ้วน สำหรับการสัมภาษณ์ ควรขอให้ผู้พูดไม่พูดทับกัน เนื่องจากเสียงพูดที่ซ้อนทับกันเป็นกรณีที่ยากที่สุดสำหรับระบบรู้จำเสียงพูดทุกประเภท
ฟังตัวอย่างเสียงก่อนเริ่มใช้งาน หากมิเตอร์ระดับเสียงแทบไม่ขยับหรือขึ้นเต็มตลอดเวลา ควรบันทึกเสียงใหม่แทนที่จะหวังว่าข้อความถอดเสียงจะออกมาถูกต้อง
การใช้งานทั่วไปของการแปลงเสียงพูดเป็น TXT
เครื่องมือนี้ใช้โดยครู ผู้จัดรายการพอดแคสต์ นักข่าว และทุกคนที่คิดและพูดออกมาได้เร็วกว่าการพิมพ์บนแป้นพิมพ์: ร่างอีเมลหรือบทความด้วยการพูด บันทึกรายงานการประชุม เปลี่ยนการบรรยายหรือบันทึกเสียงเป็นโน้ตที่ค้นหาได้ ถอดคำตอบจากการสัมภาษณ์เพื่อการวิจัย และรับข้อความที่อ่านได้จากข้อความเสียงที่ไม่สามารถเล่นได้ในขณะนี้
เนื่องจาก Whisper ตรวจจับภาษาโดยอัตโนมัติ หน้าเดียวกันนี้จึงใช้ได้กับการพูดตามคำบอกภาษาเยอรมัน บันทึกเสียงภาษาสเปน หรือการบรรยายภาษาอังกฤษโดยไม่ต้องตั้งค่าใดๆ ข้อความถอดเสียงจะไม่ถูกแปล แต่จะเขียนเป็นภาษาที่พูด
สำหรับเสียงที่มีอยู่แล้วเป็นไฟล์ เช่น พอดแคสต์ การบรรยาย หรือการโทร ตัวแปลงเสียงเป็นข้อความและ MP3 เป็นข้อความบนเว็บไซต์นี้จะใช้ระบบเดียวกันพร้อมตัวเลือกเดียวกัน
สิ่งที่เครื่องมือนี้ไม่สามารถทำได้
ระบบนี้ไม่แปลภาษา: ข้อความถอดเสียงจะเป็นภาษาที่พูดในไฟล์เสียง ระบบจะไม่สร้างช่วงเวลาของคำบรรยาย – หากต้องการไฟล์ SRT หรือ VTT โปรดใช้เครื่องมือแปลงคำบรรยายบนเว็บไซต์นี้ ระบบจะไม่ระบุชื่อผู้พูด แต่จะระบุเฉพาะการเปลี่ยนผู้พูดเมื่อเปิดใช้การตรวจจับผู้พูด และไม่สามารถกู้คืนคำที่ฟังไม่ออกในไฟล์บันทึกเสียงได้
ชื่อเฉพาะ ชื่อผลิตภัณฑ์ และตัวย่อที่พบไม่บ่อยเป็นข้อผิดพลาดที่เกิดขึ้นบ่อยที่สุด โดยทั่วไปเพียงตรวจทานผลลัพธ์อย่างรวดเร็วโดยคำนึงถึงสิ่งเหล่านี้ ก็เพียงพอสำหรับการแก้ไขไฟล์บันทึกเสียงที่ชัดเจน
FAQ
คำถามที่พบบ่อย
ข้อความถอดเสียงมีความแม่นยำเพียงใด?
เมื่อใช้ไฟล์บันทึกเสียงที่ชัดเจนและมีผู้พูดเพียงคนเดียว Whisper มักถอดคำได้ถูกต้องมากกว่า 90% สำหรับภาษาหลัก ๆ รวมถึงเครื่องหมายวรรคตอน ความแม่นยำจะลดลงเมื่อมีเสียงรบกวนรอบข้างมาก มีหลายคนพูดทับกัน เสียงเบามาก หรือมีสำเนียงท้องถิ่นเข้มข้น โดยเคล็ดลับการบันทึกเสียงด้านล่างช่วยได้มากกว่าการปรับตั้งค่าใด ๆ
รองรับภาษาใดบ้าง?
Whisper รู้จำภาษาได้ประมาณ 100 ภาษา และเลือกภาษาโดยอัตโนมัติจากช่วงไม่กี่วินาทีแรกของเสียง จึงไม่ต้องตั้งค่าใดๆ การบันทึกเสียงที่มีหลายภาษาจะถูกถอดเสียงเป็นภาษาหลัก ข้อความถอดเสียงจะเขียนเป็นภาษาที่พูด และจะไม่ถูกแปล
ระบบอัปโหลดเสียงขณะที่ฉันพูดอยู่หรือไม่?
ไม่ เครื่องบันทึกจะเก็บเสียงไว้ในเบราว์เซอร์ของคุณจนกว่าคุณจะกดปุ่มในกล่องโต้ตอบ หากคุณยกเลิกหรือปิดแท็บ จะไม่มีการส่งข้อมูลใด ๆ ไฟล์ที่อัปโหลดและข้อความถอดเสียงจะถูกลบโดยอัตโนมัติหลังจากประมวลผลเสร็จสิ้น
บันทึกเสียงได้นานแค่ไหน?
เครื่องบันทึกเสียงในเบราว์เซอร์จะหยุดหลังจาก 30 นาที แต่ไฟล์ที่อัปโหลดสามารถยาวกว่านั้นได้ ระยะเวลาในการประมวลผลจะเพิ่มขึ้นตามความยาวของเสียง และการตรวจจับผู้พูดจะใช้เวลาเพิ่มขึ้นอีกประมาณเท่ากัน
"ตรวจจับผู้พูดหลายคน" ทำอะไร?
ระบบจะดำเนินการแยกผู้พูดก่อนถอดเสียง และแทรกตัวระบุทุกครั้งที่ผู้พูดเปลี่ยน ใช้สำหรับการสัมภาษณ์ การประชุม และพอดแคสต์; ปิดไว้สำหรับการเขียนตามคำบอกและบันทึกเสียง เนื่องจากจะเพิ่มเวลาในการรอเท่านั้น
ทำไมจึงเป็นไฟล์ .txt ไม่ใช่เอกสาร Word?
ข้อความธรรมดาเป็นผลลัพธ์ที่ใช้งานได้หลากหลายที่สุด: เปิดได้บนทุกอุปกรณ์ วางลงในโน้ต อีเมล โปรแกรมแก้ไข CMS และแชตได้อย่างสะอาดตา อีกทั้งยังมีขนาดเล็ก หากคุณต้องการเอกสารที่มีการจัดรูปแบบ ให้วางข้อความลงในโปรแกรมประมวลผลคำ หรือใช้เครื่องมือแปลงเสียงเป็น PDF บนเว็บไซต์นี้