Transkripsi video ke teks

Untuk apa transkrip berguna

Mengubah ucapan menjadi teks sangat bermanfaat setiap kali Anda perlu mencari, mengutip, membaca sekilas, atau memakai ulang apa yang diucapkan tanpa harus mendengarkannya lagi. Penggunaan yang umum:

• Wawancara dan panggilan riset, ketika Anda butuh kutipan persis beserta perkiraan kapan kalimat itu diucapkan.
• Kuliah dan webinar, sehingga Anda bisa mencari sebuah istilah di teks alih-alih menggulir video sepanjang satu jam.
• Subtitle video untuk media sosial, karena sebagian besar penonton menonton tanpa suara.
• Rekaman rapat dan episode podcast yang membutuhkan catatan atau versi teks yang aksesibel.

Transkrip teks biasa adalah pilihan terbaik jika Anda akan membaca atau menyunting kata-katanya. SRT atau VTT adalah pilihan yang tepat jika teks harus muncul di layar selaras dengan video.

Cara kerja pengenalan di sini

Pengenalan suara berjalan di server kami, bukan di browser Anda. Mesinnya adalah Whisper, model suara yang dirilis OpenAI pada 2022 dan dilatih dengan sekitar 680.000 jam audio multibahasa, dijalankan melalui implementasi faster-whisper.

Yang terjadi pada file Anda:

1. File diunggah dan durasinya diperiksa.
2. Detektor aktivitas suara melewati bagian yang hening dan yang hanya berisi derau latar. Ini mempercepat proses dan mencegah model mengarang kata di bagian yang sunyi.
3. Model memproses audio dalam jendela-jendela pendek dan menghasilkan segmen teks dengan waktu mulai dan selesai. Model juga menambahkan tanda baca dan huruf kapital dengan sendirinya.
4. Segmen-segmen itu ditulis dalam format pilihan Anda: satu segmen per baris untuk TXT, cue bernomor dengan waktu bergaya 00:01:02,500 untuk SRT, dan hal yang sama dengan waktu 00:01:02.500 di bawah header WEBVTT untuk VTT.
5. Media yang diunggah dihapus begitu hasilnya selesai ditulis. Folder tugas berisi hasilnya dihapus otomatis dalam waktu sekitar satu jam.

Kecepatan pemrosesan mendekati waktu nyata: rekaman 10 menit membutuhkan sekitar 10 menit.

Memilih bahasa dan format

Menu Bahasa yang diucapkan menawarkan Deteksi Otomatis serta bahasa Inggris, Rusia, Ukraina, Polandia, Jerman, Prancis, Spanyol, Portugis, Italia, Turki, Indonesia, Vietnam, Jepang, dan Mandarin.

Deteksi mendengarkan bagian awal rekaman dan memilih bahasa yang paling mungkin. Hasilnya andal untuk satu pembicara yang jelas. Tentukan bahasanya sendiri jika:

• Rekaman diawali musik, jingle, atau keheningan.
• Pembicara memiliki aksen kental; deteksi bisa mengira bahasa Inggris beraksen sebagai bahasa ibu pembicara dan mentranskripsikannya dalam bahasa yang salah.
• Bahasa Rusia dan Ukraina, atau Spanyol dan Portugis, bercampur atau mudah tertukar.

Untuk format, SRT adalah pilihan default yang aman untuk subtitle: YouTube, editor video, dan pemutar desktop semuanya bisa membacanya. Pilih VTT jika subtitle akan dimasukkan ke elemen HTML5 <track> di situs web. TXT adalah pilihan yang tepat untuk catatan, kutipan, dan artikel; teksnya juga ditampilkan di halaman, siap disalin.

Jika Anda membutuhkan ucapan dalam bahasa Inggris, bukan dalam bahasa aslinya, gunakan terjemahkan video, yang menjalankan mesin yang sama dalam mode terjemahan.

Mendapatkan transkrip yang lebih bersih

Kualitas audio paling menentukan hasil akhirnya.

• Satu mikrofon per pembicara lebih baik daripada satu mikrofon untuk seluruh ruangan. Mikrofon laptop yang berjarak tiga meter menangkap gema, dan gema adalah penyebab paling umum kata yang hilang atau menyatu.
• Musik latar merugikan. Ucapan dengan iringan musik ditranskripsikan jauh lebih buruk dibandingkan ucapan yang sama tanpa musik. Gunakan rekaman mentah jika Anda memilikinya.
• Ucapan yang tumpang tindih tidak dipisahkan. Saat dua orang berbicara bersamaan, biasanya satu suara yang menang dan suara lainnya hilang. Hasilnya juga tidak menandai siapa yang berbicara; tambahkan nama pembicara saat Anda memeriksa ulang.
• Periksa nama, angka, dan istilah teknis. Nama orang, nama produk, akronim, dan angka adalah tempat kesalahan paling sering menumpuk. Cari semuanya di transkrip sebelum dipublikasikan.
• Pembicara yang cepat menghasilkan cue subtitle yang panjang. Panjang cue mengikuti frasa alami; editor subtitle bisa memecahnya.

Batasan dan cara menyiasatinya

Penggunaan gratis memungkinkan satu proses server per hari per perangkat tanpa akun, untuk rekaman hingga 10 menit dan file hingga 500 MB. Premium menghapus batas harian dan menerima rekaman hingga 90 menit per file.

Cara agar tetap di dalam batas:

• Video sebagian besar berisi gambar. Rekaman layar 1080p berdurasi 10 menit bisa berukuran 300 MB atau lebih, sementara trek audionya dalam bentuk MP3 hanya sekitar 10 hingga 15 MB. Ekstrak audionya terlebih dahulu dan unggah file itu: unggahan selesai lebih cepat dan transkripnya identik.
• Untuk rekaman yang lebih panjang, potong menjadi bagian 10 atau 90 menit dan proses masing-masing. Potong pada jeda, bukan di tengah kalimat, agar tidak ada kata yang hilang di batas potongan.
• Masukan yang diterima adalah video MP4, MOV, MKV, dan WebM, serta audio MP3, WAV, M4A, OGG, dan FLAC.