Bản chép lời dùng để làm gì
Chuyển lời nói thành văn bản rất đáng giá bất cứ khi nào bạn cần tìm kiếm, trích dẫn, đọc lướt hoặc tái sử dụng những gì đã nói thay vì nghe lại từ đầu. Những cách dùng điển hình:
- Phỏng vấn và cuộc gọi nghiên cứu, khi bạn cần trích dẫn chính xác và biết đại khái câu đó được nói ở đoạn nào.
- Bài giảng và webinar, để bạn tìm một thuật ngữ trong văn bản thay vì tua đi tua lại cả tiếng video.
- Phụ đề video cho mạng xã hội, nơi phần lớn người xem tắt tiếng.
- Bản ghi cuộc họp và các tập podcast cần ghi chú hoặc một phiên bản văn bản dễ tiếp cận.
Bản chép lời thuần văn bản là lựa chọn tốt nhất khi bạn sẽ đọc hoặc chỉnh sửa câu chữ. SRT hoặc VTT là lựa chọn khi văn bản phải hiện trên màn hình, khớp với video.
Nhận dạng hoạt động như thế nào
Nhận dạng giọng nói chạy trên máy chủ của chúng tôi, không phải trong trình duyệt của bạn. Bộ máy là Whisper, một mô hình giọng nói do OpenAI công bố năm 2022 và được huấn luyện trên khoảng 680.000 giờ âm thanh đa ngôn ngữ, chạy qua bản triển khai faster-whisper.
Điều gì xảy ra với tệp của bạn:
- Tệp được tải lên và thời lượng của nó được kiểm tra.
- Một bộ phát hiện giọng nói bỏ qua các đoạn im lặng và chỉ có tiếng ồn nền. Việc này giúp xử lý nhanh hơn và ngăn mô hình tự "bịa" ra chữ ở những đoạn yên tĩnh.
- Mô hình xử lý âm thanh theo từng cửa sổ ngắn và tạo ra các đoạn văn bản kèm thời điểm bắt đầu và kết thúc. Nó tự thêm dấu câu và viết hoa.
- Các đoạn được xuất ra theo định dạng bạn chọn: mỗi đoạn một dòng với TXT, các cue đánh số với mốc thời gian kiểu
00:01:02,500với SRT, và tương tự nhưng với mốc thời gian00:01:02.500dưới tiêu đềWEBVTTvới VTT. - Tệp media đã tải lên bị xóa ngay khi kết quả được ghi xong. Thư mục công việc chứa kết quả được tự động xóa trong vòng khoảng một giờ.
Tốc độ xử lý gần với thời gian thực: một bản ghi 10 phút cần khoảng 10 phút.
Chọn ngôn ngữ và định dạng
Menu Ngôn ngữ được nói có tùy chọn Tự động cùng tiếng Anh, tiếng Nga, tiếng Ukraina, tiếng Ba Lan, tiếng Đức, tiếng Pháp, tiếng Tây Ban Nha, tiếng Bồ Đào Nha, tiếng Ý, tiếng Thổ Nhĩ Kỳ, tiếng Indonesia, tiếng Việt, tiếng Nhật và tiếng Trung.
Chế độ tự nhận diện nghe phần đầu của bản ghi và chọn ngôn ngữ có khả năng cao nhất. Nó đáng tin cậy khi chỉ có một người nói rõ ràng. Hãy tự chọn ngôn ngữ khi:
- Bản ghi bắt đầu bằng nhạc, đoạn nhạc hiệu hoặc khoảng lặng.
- Người nói có giọng địa phương nặng; chế độ tự nhận diện có thể nhầm tiếng Anh nói giọng nước ngoài thành tiếng mẹ đẻ của người nói và chép lời sai ngôn ngữ.
- Tiếng Nga và tiếng Ukraina, hoặc tiếng Tây Ban Nha và tiếng Bồ Đào Nha, bị trộn lẫn hoặc dễ nhầm với nhau.
Về định dạng, SRT là lựa chọn mặc định an toàn cho phụ đề: YouTube, phần mềm dựng video và trình phát trên máy tính đều đọc được. Chọn VTT nếu phụ đề sẽ được đưa vào thẻ <track> HTML5 trên website. TXT phù hợp cho ghi chú, trích dẫn và bài viết; văn bản cũng hiện ngay trên trang, sẵn sàng để sao chép.
Nếu bạn cần lời nói bằng tiếng Anh thay vì ngôn ngữ gốc, hãy dùng dịch video, công cụ này chạy cùng bộ máy ở chế độ dịch.
Để bản chép lời sạch hơn
Chất lượng âm thanh quyết định phần lớn kết quả.
- Mỗi người một micro tốt hơn một micro cho cả phòng. Micro laptop đặt cách ba mét sẽ thu cả tiếng vang, và tiếng vang là nguyên nhân phổ biến nhất khiến chữ bị mất hoặc dính vào nhau.
- Nhạc nền gây hại. Lời nói có nhạc nền được chép lời kém hơn rõ rệt so với cùng lời nói đó khi không có nhạc. Hãy dùng bản ghi thô nếu bạn có.
- Lời nói chồng lên nhau không được tách riêng. Khi hai người nói cùng lúc, thường một giọng lấn át và giọng kia bị mất. Kết quả cũng không ghi rõ ai đang nói; hãy thêm tên người nói khi soát lại.
- Kiểm tra tên riêng, con số và thuật ngữ chuyên ngành. Tên người, tên sản phẩm, từ viết tắt và số liệu là chỗ lỗi tập trung nhiều nhất. Hãy tìm chúng trong bản chép lời trước khi đăng.
- Người nói nhanh sẽ cho ra cue phụ đề dài. Độ dài cue theo các cụm câu tự nhiên; bạn có thể dùng trình chỉnh sửa phụ đề để tách chúng.
Giới hạn và cách làm việc trong giới hạn
Gói miễn phí cho phép một lượt xử lý trên máy chủ mỗi ngày cho mỗi thiết bị mà không cần tài khoản, với bản ghi đến 10 phút và tệp đến 500 MB. Premium bỏ giới hạn theo ngày và nhận bản ghi đến 90 phút mỗi tệp.
Cách để nằm trong giới hạn:
- Video chủ yếu là hình ảnh. Một bản quay màn hình 1080p dài 10 phút có thể nặng 300 MB trở lên, trong khi rãnh âm thanh của nó ở dạng MP3 chỉ khoảng 10 đến 15 MB. Hãy tách âm thanh trước rồi tải lên tệp đó: tải lên xong nhanh hơn mà bản chép lời vẫn y hệt.
- Với bản ghi dài hơn, hãy cắt thành các phần 10 hoặc 90 phút và xử lý từng phần. Hãy cắt ở chỗ ngắt nghỉ thay vì giữa câu để không mất chữ nào ở chỗ nối.
- Định dạng đầu vào được hỗ trợ là video MP4, MOV, MKV và WebM, cùng âm thanh MP3, WAV, M4A, OGG và FLAC.