Litteroi ääni tekstitykseksi
Ensimmäinen ajo lataa puhemallin — noin 45 MB nopealle tasolle, 81 MB tarkalle, tarjoiltuna tältä sivustolta ja selaimen välimuistiin jäävänä. Mitään ei ladata palvelimelle, ja litterointi on koneen tekemä: oikolue sanamuoto ja ajoitukset ennen julkaisua.
Asetukset
Saman mallin kaksi tasoa. Nopea on noin 45 MB ja litteroi suunnilleen kaksi kertaa nopeammin; tarkka on noin 81 MB ja osuu isoissa kirjaimissa ja välimerkeissä lähemmäs oikeaa. Molemmat ajetaan täällä, ja lataus tapahtuu kerran selainta kohden. Pitkällä tallenteella kokeile ensin nopeaa tasoa varmistaaksesi, että kieli on oikea.
Kieli, jota tallenteessa puhutaan. Automaattista vaihtoehtoa ei ole: tämä mallin koonnos ei tunnista kieltä, ja ilman valintaa se olettaa englannin. Kiinankielinen tallenne englanniksi luettuna ei epäonnistu — se tuottaa sujuvaa näennäistekstiä, joka on paljon vaikeampi huomata. Valitse kieli, jonka todella kuulet.
.srt toimii kaikkialla, myös vanhemmissa editoreissa ja televisioissa; .vtt on verkon muoto ja kantaa hieman enemmän rakennetta. Molemmat sisältävät täsmälleen samat alaotsikot täsmälleen samoilla ajoituksilla, joten valitse se, jota seuraava työkalu ketjussasi odottaa.
Tämä sivu kuuntelee tallennetta ja kirjoittaa muistiin, mitä se kuulee, tekstitystiedostona: yksi alaotsikko lausetta kohden, jokaisen alun ja lopun sijoitettuna sinne, missä sanat todella tapahtuvat. Pudota sisään haastattelu, luento, äänimuistio tai sellaisen elokuvan ääniraita, jossa ei ole tekstitysraitaa lainkaan, ja saat .srt- tai .vtt-tiedoston, joka toistuu missä tahansa soittimessa. Ennakkoon ei tarvitse olla tekstitysraitaa — tämä on sivu silloin, kun poimittavaa ei ole.
Kuuntelu tapahtuu välilehdessä. Puhemalli toimii WebAssemblyllä onnxruntimen kautta, mallitiedostot toimitetaan tältä sivustolta, ja ainoa verkkoliikenne on se lataus: noin 45 MB nopealle mallille, noin 81 MB tarkalle, ja selain välimuistaa sen jälkeen. Tallennetta ei koskaan lähetetä minnekään. Jos katsot Network-paneelia tiedoston litteroinnin aikana, näet mallidatan laskeutuvan alas eikä yhtään tavua menevän ylös.
Tulos on koneen paras arvaus, ei virallinen litteraatti. Väärin kuullut sanat pysyvät väärin kuultuina, ja ajoitukset ovat suunnilleen lauseen pituuden tarkkuudella eivätkä ruudun. Oikolue ennen julkaisua ja käsittele tulosta samoin kuin käsittelit nopean ihmisen kirjoittamaa ensimmäistä versiota, joka ei tuntenut aihetta. Tämä on sama rehellisyyssääntö, jota OCR-sivut noudattavat, ja syy siihen, että tämä sivu sanoo sen alussa eikä alaviitteessä.
Tallenne leikataan 30 sekunnin ikkunoihin viiden sekunnin limityksellä, ja jokainen ikkuna litteroidaan erikseen. Juuri se tekee pitkät tiedostot mahdollisiksi ilman, että tunnin ääntä pidetään mallissa kerralla, ja se on myös syy siihen, että peruminen astuu voimaan seuraavassa ikkunassa eikä heti. Rajan yli menevät lauseet poistetaan kaksoiskappaleina pudottamalla kaikki, mitä seuraava ikkuna raportoi ennen edellisen ikkunan loppua alkavaksi — aikaisempi lukema voittaa, koska se kuuli koko lauseen.
Pitkät lauseet jaetaan lauserajoilta ja sitten kahdella rajalla: mikään alaotsikko ei ole seitsemää sekuntia pidempi eikä 84 merkkiä leveämpi, taitettuna enintään 42 merkkiin riviä kohden. Ne ovat samat rajat, jotka useimmat lähetystoimittajat määrittelevät, joten tuloste läpäisee yleensä ensimmäisen vaatimustenmukaisuustarkistuksen ilman muokkausta.
Usein kysytyt kysymykset
Mitä tapahtuu, kun tallenne on muulla kielellä kuin englannilla?
Sinun on kerrottava sivulle, mitä kieltä puhutaan, koska tämä mallin koonti ei tunnista sitä. Automaattista vaihtoehtoa ei ole, ja se on tarkoituksellista: ilman valittua kieltä malli olettaa englannin. Kiinankielinen tallenne englanniksi luettuna ei epäonnistu — se palauttaa itsevarman näköisiä englannin sanoja, jotka kuulostavat etäisesti alkuperäiseltä, mikä on paljon vaikeampi huomata kuin virheilmoitus. Valitse kieli, jonka todella kuulet, ja jos olet epävarma, litteroi ensin kolmekymmentä sekuntia nopealla mallilla ja tarkista.
Kuinka tarkat ajoitukset ovat käsin tehtyyn tekstitykseen verrattuna?
Tarpeeksi tarkat toistettaviksi, eivät tarpeeksi tarkat lähetykseen ilman muokkausta. Jokaisen alaotsikon alku ja loppu tulevat mallin omista segmenttirajoista, jotka osuvat lauseen reunoille eivätkä täsmälleen siihen ruutuun, jossa sana alkaa. Kun kaksi alaotsikkoa menisi päällekkäin, myöhempi työnnetään eteenpäin ja säätö lasketaan menetysluetteloon, joten mikään ei mene päällekkäin eikä mikään mene ajassa taaksepäin. Jos asiakas tarvitsee ruuduntarkan synkronoinnin — lähetystoimittajalle toimittava tekstitystalo — rehellinen vastaus on, että tämä tuloste on käsin ajoitettava luonnos eikä toimitus.
Miksi nopea malli on tarjolla lainkaan, jos tarkka on olemassa?
Koska pitkällä tiedostolla ero on ero odottamisen ja luovuttamisen välillä. Minuutin selvästä puheesta mitattuna nopea malli vie noin 3,7 sekuntia ja tarkka noin 7,5 — suunnilleen kaksinkertainen odotus jokaista ääniminuuttia kohden. Nopea malli myös kirjoittaa isoja kirjaimia aggressiivisemmin ja keksii joskus välimerkkejä; tarkka on lähempänä sitä, mitä ihminen kirjoittaisi. Tavallinen kuvio on ajaa nopea malli tunnin haastattelun yli kielen ja äänenlaadun tarkistamiseksi ja ajaa sitten tarkalla, kun tiedät tiedoston olevan kunnossa.
Mitä puhetta ei tunnistettu tarkoittaa, kun kuulen puhumista?
Se tarkoittaa, ettei malli kuullut mitään, mitä se olisi voinut kirjoittaa, ja siihen on kolme tavallista syytä: kieliasetus ei vastaa puhuttua, puhe on musiikin tai kohinan peitossa, tai ääniraita on hyvin hiljainen. Tiedosto itse on ehjä — sivu erottaa tämän tiedostosta, jonka ääntä ei voitu dekoodata lainkaan, koska ne tarvitsevat eri korjaukset. Vaihda puhuttu kieli tai tarkista, että pudottamasi ääniraita on se, jonka tarkoitit (elokuvan kommenttiraita on eri virta kuin sen dialogi).
Voinko pysäyttää litteroinnin, joka kestää liian kauan?
Voit, ja sivu on selväsanainen siitä, milloin se pysähtyy. Mallin lataaminen voidaan perua millä hetkellä tahansa. Tunnistuksen aikana mallia ei voi keskeyttää ikkunan keskellä — joten peruminen astuu voimaan seuraavan 30 sekunnin ikkunan alussa, mikä nopealla mallilla on parin sekunnin päässä. Mitään osittaista ei tarjota ladattavaksi. Malli jää välimuistiin, joten uudelleen yrittäminen ei lataa sitä uudelleen.
Säilyttääkö tuloksena oleva .srt puhujien merkinnät tai välimerkit?
Se säilyttää ne välimerkit, jotka malli tuotti, mitkä ovat yleensä järkeviä mutta eivät luotettavia, eikä se keksi puhujamerkintöjä: tämä malli ei erottele ääniä, joten kaksi puhujaa muuttuu yhdeksi tekstivirraksi. Puhujamerkintöjen lisääminen on täällä käsityötä. Jos tarvitset ne, litteroi ensin ja muokkaa sitten — tiedosto avautuu missä tahansa tekstityseditorissa, ja alaotsikot on jo jaettu lauserajoilta, mikä tekee kierroksesta paljon nopeamman kuin tyhjästä aikajanasta aloittaminen.