Audio in Untertitel transkribieren
Der erste Lauf lädt das Sprachmodell herunter — etwa 45 MB für die schnelle Stufe, 81 MB für die genaue, von dieser Seite bereitgestellt und danach vom Browser zwischengespeichert. Nichts wird hochgeladen, und das Transkript ist maschinell erstellt: Korrekturlesen Sie Formulierung und Zeitangaben, bevor Sie es veröffentlichen.
Optionen
Zwei Stufen desselben Modells. Das schnelle ist etwa 45 MB groß und transkribiert ungefähr doppelt so schnell; das genaue ist etwa 81 MB groß und trifft Großschreibung und Zeichensetzung besser. Beide laufen hier, und der Download erfolgt einmal pro Browser. Bei einer langen Aufnahme probieren Sie zuerst die schnelle Stufe, um zu prüfen, ob die Sprache stimmt.
Die Sprache, die in der Aufnahme gesprochen wird. Eine automatische Option gibt es nicht: Diese Ausbaustufe des Modells erkennt keine Sprache und nimmt ohne Auswahl Englisch an. Eine chinesische Aufnahme als Englisch gelesen schlägt nicht fehl — sie erzeugt flüssig wirkenden Unsinn, was viel schwerer zu bemerken ist. Wählen Sie die Sprache, die Sie tatsächlich hören.
.srt läuft überall, auch in älteren Editoren und Fernsehern; .vtt ist das Webformat und trägt etwas mehr Struktur. Beide enthalten genau dieselben Blöcke mit genau denselben Zeitangaben, wählen Sie also das, das das nächste Werkzeug in Ihrer Kette erwartet.
Diese Seite hört eine Aufnahme und schreibt auf, was sie hört – als Untertiteldatei: ein Block pro Satz, mit Anfang und Ende dort, wo die Wörter tatsächlich stattfinden. Ein Interview, eine Vorlesung, eine Sprachnotiz oder die Tonspur eines Films ohne jede Untertitelspur ablegen, und heraus kommt eine .srt oder .vtt, die in jedem Player läuft. Eine vorhandene Untertitelspur braucht es nicht – das ist die Seite für den Fall, dass es nichts zu extrahieren gibt.
Das Zuhören geschieht im Tab. Das Sprachmodell läuft über onnxruntime in WebAssembly, die Modelldateien liefert diese Seite aus, und der einzige Netzwerkverkehr ist dieser Download: etwa 45 MB für das schnelle Modell, etwa 81 MB für das genaue, danach vom Browser zwischengespeichert. Die Aufnahme wird nirgendwohin gesendet. Wer während einer Transkription das Netzwerk-Panel beobachtet, sieht Anfragen für Modelldaten heruntergehen und kein einziges Byte hinaufgehen.
Was herauskommt, ist die beste Schätzung einer Maschine, kein Transkript mit Urkundencharakter. Falsch gehörte Wörter bleiben falsch gehört, und die Zeiten sind ungefähr auf die Länge einer Wendung genau, nicht auf das Einzelbild. Vor der Veröffentlichung Korrektur lesen und das Ergebnis so behandeln wie einen ersten Entwurf, den ein schneller Mensch ohne Kenntnis des Themas getippt hat. Das ist dieselbe Ehrlichkeitsregel wie auf den OCR-Seiten, und der Grund, warum diese Seite es oben sagt statt in einer Fußnote.
Die Aufnahme wird in 30-Sekunden-Fenster mit 5 Sekunden Überlappung geschnitten, und jedes Fenster wird für sich transkribiert. Das macht lange Dateien möglich, ohne eine Stunde Audio auf einmal im Modell zu halten, und es ist auch der Grund, warum ein Abbruch erst am nächsten Fenster wirkt statt sofort. Sätze, die eine Grenze überspannen, werden dedupliziert, indem alles verworfen wird, was das nächste Fenster vor dem Ende des vorherigen meldet – die frühere Lesung gewinnt, weil sie die ganze Wendung gehört hat.
Lange Sätze werden an Satzgrenzen geteilt, dann nach zwei Grenzen: kein Block länger als sieben Sekunden und keiner breiter als 84 Zeichen, umbrochen auf höchstens 42 Zeichen pro Zeile. Das sind dieselben Grenzen, die die meisten Sender vorgeben, die Ausgabe besteht eine erste Compliance-Prüfung also meist ohne Nachbearbeitung.
Häufige Fragen
Was passiert, wenn die Aufnahme in einer anderen Sprache als Englisch ist?
Die Sprache muss der Transkriptionsseite genannt werden, weil diese Fassung des Modells sie nicht erkennt. Eine automatische Option gibt es nicht, und das ist Absicht: Ohne Sprachangabe nimmt das Modell Englisch an. Eine chinesische Aufnahme, als Englisch gelesen, scheitert nicht – sie liefert selbstsicher wirkende englische Wörter, die vage wie das Original klingen, was viel schwerer zu bemerken ist als eine Fehlermeldung. Die tatsächlich gehörte Sprache wählen, und bei Unsicherheit zuerst dreißig Sekunden mit dem schnellen Modell transkribieren und prüfen.
Wie genau sind die Zeiten der Transkription im Vergleich zu handgemachten Untertiteln?
Gut genug zum Abspielen, nicht gut genug, um ungeprüft zu senden. Anfang und Ende jedes Blocks stammen aus den Segmentgrenzen des Modells, die auf Wendungsrändern liegen statt auf dem exakten Einzelbild, in dem ein Wort beginnt. Wo zwei Blöcke überlappen würden, wird der spätere nach vorn geschoben und die Anpassung in der Verlustliste gezählt, sodass nichts überlappt und nichts in der Zeit rückwärts läuft. Braucht ein Kunde bildgenauen Gleichlauf – ein Untertitelstudio, das an einen Sender liefert –, ist diese Ausgabe ehrlicherweise ein Entwurf zum manuellen Takten, keine Lieferung.
Warum bietet die Transkription das schnelle Modell überhaupt an, wenn es das genaue gibt?
Weil bei einer langen Datei der Unterschied der zwischen Warten und Aufgeben ist. Auf einer Minute klarer Sprache gemessen braucht das schnelle Modell etwa 3,7 Sekunden und das genaue etwa 7,5 – ungefähr die doppelte Wartezeit für jede Minute Audio. Das schnelle Modell setzt außerdem aggressiver Großbuchstaben und erfindet manchmal Zeichensetzung; das genaue kommt dem näher, was ein Mensch schreiben würde. Ein häufiges Vorgehen: das schnelle Modell über ein einstündiges Interview laufen lassen, um Sprache und Audioqualität zu prüfen, und mit dem genauen erneut laufen, sobald die Datei in Ordnung ist.
Was bedeutet die Meldung, dass keine Sprache erkannt wurde, obwohl Gespräch zu hören ist?
Sie bedeutet, dass das Modell nichts hörte, was es aufschreiben konnte, und dafür gibt es drei übliche Ursachen: Die Spracheinstellung passt nicht zum Gesprochenen, die Sprache liegt unter Musik oder Geräuschen, oder die Tonspur ist sehr leise. Die Datei selbst ist intakt – die Seite unterscheidet diesen Fall von einer Datei, deren Audio sich gar nicht dekodieren ließ, weil die beiden verschiedene Korrekturen brauchen. Die gesprochene Sprache wechseln oder prüfen, ob die abgelegte Tonspur die gemeinte ist (die Kommentarspur eines Films ist ein anderer Strom als sein Dialog).
Lässt sich eine Transkription abbrechen, die zu lange dauern wird?
Ja, und die Seite sagt ausdrücklich, wann sie stoppt. Der Modelldownload lässt sich jederzeit abbrechen. Während der Erkennung kann das Modell nicht mitten in einem Fenster unterbrochen werden – ein Abbruch wirkt deshalb am Beginn des nächsten 30-Sekunden-Fensters, beim schnellen Modell ein paar Sekunden entfernt. Nichts Halbfertiges wird zum Download angeboten. Das Modell bleibt zwischengespeichert, ein neuer Versuch lädt es also nicht erneut herunter.
Behält die entstandene .srt Sprecher Namen oder Zeichensetzung?
Sie behält die Zeichensetzung, die das Modell erzeugt hat, meist sinnvoll, aber nicht verlässlich, und sie erfindet keine Sprecher Namen: Dieses Modell trennt keine Stimmen, zwei sprechende Personen werden also zu einem Textstrom. Sprecher Namen zu ergänzen ist hier Handarbeit. Wer sie braucht, transkribiert zuerst und bearbeitet dann – die Datei öffnet in jedem Untertiteleditor, und die Blöcke sind bereits an Satzgrenzen geteilt, was den Durchgang viel schneller macht als der Start auf einer leeren Zeitachse.