Transkrybuj wideo na tekst

Do czego przydaje się transkrypcja

Zamiana mowy na tekst opłaca się zawsze wtedy, gdy chcesz przeszukiwać, cytować, przeglądać lub ponownie wykorzystać to, co zostało powiedziane, zamiast odsłuchiwać nagranie jeszcze raz. Typowe zastosowania:

• Wywiady i rozmowy badawcze, w których potrzebujesz dokładnych cytatów i orientacji, w którym miejscu padły.
• Wykłady i webinary — możesz wyszukać termin w tekście, zamiast przewijać godzinę wideo.
• Napisy do filmów w mediach społecznościowych, gdzie większość widzów ogląda bez dźwięku.
• Nagrania spotkań i odcinki podcastów, do których potrzebne są notatki albo dostępna wersja tekstowa.

Zwykła transkrypcja to najlepszy wybór, gdy będziesz czytać lub edytować tekst. SRT lub VTT wybierz wtedy, gdy tekst ma się pojawiać na ekranie zsynchronizowany z obrazem.

Jak działa tu rozpoznawanie

Rozpoznawanie mowy odbywa się na naszych serwerach, a nie w przeglądarce. Silnikiem jest Whisper — model mowy opublikowany przez OpenAI w 2022 roku i wytrenowany na około 680 000 godzin wielojęzycznego audio — uruchamiany w implementacji faster-whisper.

Co dzieje się z Twoim plikiem:

1. Plik jest wysyłany, a następnie sprawdzana jest jego długość.
2. Detektor aktywności głosowej pomija fragmenty ciszy i samego szumu tła. To przyspiesza pracę i powstrzymuje model przed wymyślaniem słów w cichych fragmentach.
3. Model przechodzi przez nagranie krótkimi oknami i tworzy segmenty tekstu z czasem początku i końca. Sam dodaje interpunkcję i wielkie litery.
4. Segmenty są zapisywane w wybranym formacie: w TXT jeden segment na wiersz, w SRT numerowane kwestie z czasami w stylu 00:01:02,500, a w VTT to samo z czasami 00:01:02.500 pod nagłówkiem WEBVTT.
5. Wysłany plik multimedialny jest usuwany, gdy tylko wynik zostanie zapisany. Folder zadania z wynikiem znika automatycznie w ciągu mniej więcej godziny.

Przetwarzanie trwa mniej więcej tyle, co samo nagranie: 10-minutowe nagranie wymaga około 10 minut.

Wybór języka i formatu

Menu Język mówiony oferuje autowykrywanie oraz angielski, rosyjski, ukraiński, polski, niemiecki, francuski, hiszpański, portugalski, włoski, turecki, indonezyjski, wietnamski, japoński i chiński.

Wykrywanie analizuje początek nagrania i wybiera najbardziej prawdopodobny język. Przy wyraźnym pojedynczym mówcy jest niezawodne. Ustaw język samodzielnie, gdy:

• Nagranie zaczyna się od muzyki, dżingla lub ciszy.
• Mówcy mają silny akcent; wykrywanie może wziąć angielski z akcentem za ojczysty język mówcy i transkrybować w niewłaściwym języku.
• Rosyjski i ukraiński albo hiszpański i portugalski są wymieszane lub łatwo je pomylić.

Jeśli chodzi o format, SRT to bezpieczny wybór domyślny dla napisów: odczytują go YouTube, edytory wideo i odtwarzacze na komputerze. Wybierz VTT, jeśli napisy trafią do elementu HTML5 <track> na stronie internetowej. TXT sprawdzi się przy notatkach, cytatach i artykułach; tekst pojawia się też na stronie, gotowy do skopiowania.

Jeśli potrzebujesz mowy po angielsku, a nie w oryginalnym języku, użyj narzędzia tłumaczenie wideo, które uruchamia ten sam silnik w trybie tłumaczenia.

Jak uzyskać czystszą transkrypcję

O wyniku w największym stopniu decyduje jakość dźwięku.

• Mikrofon dla każdego mówcy jest lepszy niż jeden mikrofon na całe pomieszczenie. Mikrofon laptopa z odległości trzech metrów zbiera pogłos, a pogłos to najczęstsza przyczyna zgubionych lub zlanych słów.
• Muzyka w tle szkodzi. Mowa na podkładzie muzycznym jest rozpoznawana wyraźnie gorzej niż ta sama mowa bez niego. Jeśli masz surowe nagranie, użyj go.
• Mówienie naraz nie jest rozdzielane. Gdy dwie osoby mówią jednocześnie, zwykle wygrywa jeden głos, a drugi przepada. Wynik nie oznacza też, kto mówi; imiona mówców dodaj podczas korekty.
• Sprawdzaj nazwiska, liczby i żargon. Nazwy własne, nazwy produktów, skróty i liczby to miejsca, w których błędy się kumulują. Przed publikacją wyszukaj je w transkrypcji.
• Przy szybkich mówcach spodziewaj się długich kwestii napisów. Długość kwestii wynika z naturalnych fraz; edytor napisów pozwoli je podzielić.

Limity i jak się w nich zmieścić

Darmowe korzystanie pozwala na jedno uruchomienie na serwerze dziennie na urządzenie bez konta, dla nagrań do 10 minut i plików do 500 MB. Premium znosi dzienny limit i przyjmuje nagrania do 90 minut na plik.

Jak zmieścić się w limitach:

• Wideo to głównie obraz. 10-minutowe nagranie ekranu w 1080p może ważyć 300 MB lub więcej, a jego ścieżka dźwiękowa jako MP3 to około 10–15 MB. Najpierw wyodrębnij dźwięk i wyślij właśnie jego: wysyłanie skończy się szybciej, a transkrypcja będzie identyczna.
• Dłuższe nagrania potnij na części po 10 lub 90 minut i przetwórz każdą z osobna. Dziel w miejscu pauzy, a nie w pół zdania, żeby na granicy nie zgubić żadnych słów.
• Akceptowane są pliki wideo MP4, MOV, MKV i WebM oraz audio MP3, WAV, M4A, OGG i FLAC.