Мова в TXT.

Як на цій сторінці мовлення перетворюється на TXT

Ваш браузер записує звук із мікрофона як аудіо Opus (Chrome, Firefox, Edge) або AAC (Safari) і зберігає його в пам’яті. Після підтвердження файл завантажується через HTTPS на один із наших серверів транскрибування.

Там ffmpeg декодує аудіо, а Whisper — модель розпізнавання мовлення з відкритим кодом — перетворює його на текст за один прохід, включно з пунктуацією та поділом на речення. Якщо ввімкнено розпізнавання мовців, модель діаризації спочатку розділяє аудіо за мовцями, а транскрипт відповідно позначається.

Транскрипт зберігається як звичайний текстовий файл UTF 8 зі стандартною пунктуацією та поділом на абзаци, тому його можна відкрити в будь-якому редакторі, текстовому процесорі чи застосунку для нотаток і вставити будь-де. На сторінці результату його можна завантажити; аудіо та транскрипт після цього автоматично видаляються.

Поради щодо запису, важливіші за будь-які налаштування

Якість розпізнавання мовлення залежить від якості аудіо. Найбільше значення мають три чинники: відстань, шум і накладання голосів. Тримайте мікрофон на відстані 10–20 см від рота; телефон, який тримають близько, працює краще за ноутбук, що стоїть на іншому боці столу. Вимкніть вентилятори, зачиніть вікно та уникайте приміщень із сильним відлунням.

Говоріть у звичайному темпі й завершуйте речення — модель використовує контекст, тому незавершені речення та слова-паразити дають гірший текст, ніж трохи повільніше, але повне мовлення. Під час інтерв’ю попросіть учасників не говорити одночасно; накладання мовлення — найскладніший випадок для будь-якої системи розпізнавання.

Прослухайте попередній перегляд перед початком. Якщо індикатор рівня ледь рухається або постійно показує максимальний рівень, запишіть аудіо ще раз, а не сподівайтеся, що транскрипція буде правильною.

Типові способи використання перетворення мовлення на TXT

Цим інструментом користуються вчителі, подкастери, журналісти й усі, хто формулює думки вголос швидше, ніж на клавіатурі: щоб створити чернетку електронного листа або статті голосом, зафіксувати протокол зустрічі, перетворити лекцію чи голосову нотатку на нотатки з можливістю пошуку, розшифрувати відповіді з інтерв’ю для дослідження та отримати читабельну версію голосового повідомлення, яке зараз неможливо відтворити.

Оскільки Whisper автоматично визначає мову, ця сама сторінка працює для німецького диктування, іспанської голосової нотатки чи англійської лекції без будь-яких налаштувань. Транскрипт не перекладається — він створюється мовою, якою було сказано запис.

Для аудіо, що вже існує у вигляді файлу — подкастів, лекцій, дзвінків — конвертери аудіо в текст і MP3 у текст на цьому сайті використовують ту саму систему з однаковими параметрами.

Чого цей інструмент не робить

Інструмент не перекладає: розшифровки створюються мовою аудіозапису. Він не створює часові мітки для субтитрів — для файлів SRT або VTT скористайтеся конвертерами субтитрів на цьому сайті. Він не визначає мовців за іменами, лише фіксує зміну мовця, якщо ввімкнено виявлення мовців. Також він не може відновити слова, яких не чути в записі.

Власні назви, назви продуктів і рідкісні скорочення найчастіше розпізнаються з помилками; зазвичай для чистого запису достатньо швидко переглянути результат, звернувши на них увагу.