Transkripsi audio jadi subtitle
Proses pertama mengunduh model ucapan — sekitar 45 MB untuk tingkat cepat, 81 MB untuk yang akurat, disajikan oleh situs ini dan di-cache peramban setelahnya. Tidak ada yang diunggah, dan transkripnya dibuat mesin: periksa ulang kata-kata dan waktunya sebelum Anda menerbitkannya.
Opsi
Dua tingkat dari model yang sama. Yang cepat berukuran sekitar 45 MB dan mentranskripsikan kira-kira dua kali lebih cepat; yang akurat berukuran sekitar 81 MB dan menghasilkan kapitalisasi serta tanda baca yang lebih tepat. Keduanya berjalan di sini, dan unduhannya terjadi sekali per peramban. Pada rekaman panjang, coba tingkat cepat lebih dulu untuk memastikan bahasanya benar.
Bahasa yang diucapkan dalam rekaman. Tidak ada opsi otomatis: versi model ini tidak mendeteksi bahasa, dan jika tidak ada yang dipilih ia menganggapnya Inggris. Rekaman Tionghoa yang dibaca sebagai Inggris tidak gagal — ia menghasilkan omong kosong yang tampak lancar, yang jauh lebih sulit disadari. Pilih bahasa yang benar-benar Anda dengar.
.srt dapat diputar di mana saja, termasuk editor dan televisi lama; .vtt adalah format web dan membawa sedikit lebih banyak struktur. Keduanya memuat cue yang persis sama dengan waktu yang persis sama, jadi pilih yang diharapkan alat berikutnya dalam alur kerja Anda.
Halaman ini mendengarkan sebuah rekaman dan menuliskan apa yang didengarnya, sebagai file subtitle: satu cue per kalimat, dengan awal dan akhir setiap cue ditempatkan di tempat kata-katanya benar-benar terjadi. Masukkan wawancara, kuliah, memo suara, atau track audio sebuah film yang sama sekali tidak punya track subtitle, dan Anda mendapat .srt atau .vtt yang bisa diputar di pemutar mana pun. Tidak perlu ada track subtitle lebih dulu — inilah halaman untuk saat tidak ada apa pun yang bisa diekstrak.
Pendengarannya terjadi di dalam tab. Model ucapan Whisper berjalan di WebAssembly melalui onnxruntime, file model disajikan dari situs ini, dan satu-satunya lalu lintas jaringan adalah unduhan itu: sekitar 45 MB untuk model cepat, sekitar 81 MB untuk model akurat, lalu di-cache peramban. Rekaman tidak pernah dikirim ke mana pun. Bila Anda memeriksa panel Network saat file ditranskripsi, Anda akan melihat permintaan turun untuk data model dan tidak satu byte pun naik.
Yang keluar adalah tebakan terbaik mesin, bukan transkrip resmi. Kata yang salah didengar tetap salah, dan timing-nya akurat kira-kira sepanjang satu frasa, bukan sampai frame. Karena itu hasilnya perlu diperiksa ulang sebelum Anda menerbitkannya, halaman ini tidak menjanjikan tingkat akurasi apa pun, dan perlakukan hasil itu sebagaimana Anda memperlakukan draf pertama yang diketik cepat oleh manusia yang tidak mengenal topiknya. Ini aturan kejujuran yang sama dengan halaman OCR, dan itulah sebabnya halaman ini mengatakannya di bagian atas alih-alih di catatan kaki.
Rekaman dipotong menjadi jendela 30 detik dengan tumpang tindih 5 detik, dan setiap jendela ditranskripsi sendiri. Itulah yang memungkinkan file panjang tanpa menahan satu jam audio di dalam model sekaligus, dan itu juga sebabnya pembatalan berlaku pada jendela berikutnya, bukan seketika. Kalimat yang melintasi batas dideduplikasi dengan membuang apa pun yang dilaporkan jendela berikutnya yang dimulai sebelum jendela sebelumnya berakhir — pembacaan yang lebih awal menang, karena ia mendengar seluruh frasa.
Kalimat panjang dipotong pada batas kalimat, lalu oleh sepasang batas: tidak ada cue lebih dari tujuh detik dan tidak ada cue lebih lebar dari 84 karakter, dibungkus maksimum 42 karakter per baris. Itu adalah batas yang sama yang ditetapkan sebagian besar penyiar, sehingga keluarannya biasanya lolos pemeriksaan kepatuhan pertama tanpa penyuntingan.
Pertanyaan yang sering diajukan
Apa yang terjadi bila rekaman yang saya transkripsi berbahasa selain Inggris?
Anda harus memberi tahu halaman bahasa apa yang diucapkan, karena build model ini tidak mendeteksinya. Tidak ada opsi otomatis, dan itu disengaja: tanpa bahasa yang dipilih, model mengandaikan bahasa Inggris. Rekaman berbahasa Tionghoa yang dibaca sebagai bahasa Inggris tidak gagal — ia mengembalikan kata-kata Inggris yang tampak percaya diri dan samar-samar mirip aslinya, yang jauh lebih sulit disadari daripada pesan galat. Pilih bahasa yang benar-benar Anda dengar, dan bila ragu, transkripsikan tiga puluh detik dengan model cepat lebih dulu lalu periksa.
Seberapa akurat timing transkripsi ini dibanding subtitle buatan tangan?
Cukup baik untuk diputar, belum cukup baik untuk disiarkan tanpa disunting. Awal dan akhir setiap cue berasal dari batas segmen model itu sendiri, yang mendarat di tepi frasa alih-alih di frame persis tempat sebuah kata dimulai. Bila dua cue akan tumpang tindih, cue yang lebih akhir didorong maju dan penyesuaiannya dihitung di daftar kehilangan, sehingga tidak ada yang tumpang tindih dan tidak ada yang bergerak mundur dalam waktu. Bila pelanggan membutuhkan sinkronisasi akurat per frame, jawaban jujurnya adalah keluaran ini adalah draf untuk di-timing dengan tangan, bukan hasil siap kirim.
Mengapa model cepat ditawarkan sama sekali bila model akurat ada?
Karena pada file panjang selisihnya adalah selisih antara menunggu dan menyerah. Diukur pada satu menit ucapan yang jelas, model cepat membutuhkan sekitar 3,7 detik dan model akurat sekitar 7,5 — kira-kira dua kali penantian untuk setiap menit audio. Model cepat juga lebih agresif mengapitalkan dan kadang mengarang tanda baca; model akurat lebih dekat ke apa yang akan ditulis orang. Pola yang umum adalah menjalankan model cepat pada wawancara satu jam untuk memeriksa bahasa dan kualitas audio, lalu menjalankannya lagi dengan model akurat setelah Anda tahu file itu baik.
Apa arti “tidak ada ucapan yang dikenali” padahal saya bisa mendengar orang berbicara?
Artinya model tidak mendengar apa pun yang bisa dituliskannya, dan ada tiga penyebab biasa: pengaturan bahasa tidak cocok dengan yang diucapkan, ucapan tertimbun musik atau derau, atau track audionya sangat pelan. File itu sendiri utuh — halaman ini membedakannya dari file yang audionya sama sekali tidak bisa didekode, karena keduanya membutuhkan perbaikan berbeda. Ganti bahasa yang diucapkan, atau periksa apakah track audio yang Anda masukkan memang yang Anda maksud (track komentar sebuah film adalah stream yang berbeda dari dialognya).
Bisakah saya menghentikan transkripsi audio yang akan memakan waktu terlalu lama?
Bisa, dan halaman ini tegas tentang kapan prosesnya berhenti. Mengunduh model bisa dibatalkan kapan saja. Selama pengenalan, model tidak bisa diinterupsi di tengah jendela — jadi pembatalan berlaku pada awal jendela 30 detik berikutnya, yang pada model cepat berjarak beberapa detik. Tidak ada hasil sebagian yang ditawarkan sebagai unduhan. Model tetap di-cache, sehingga mencoba lagi tidak mengunduhnya ulang.
Apakah .srt hasil transkripsi ini mempertahankan label penutur atau tanda baca?
Ia mempertahankan tanda baca yang dihasilkan model, yang biasanya masuk akal tetapi tidak andal, dan ia tidak mengarang label penutur: model ini tidak memisahkan suara, sehingga dua orang yang berbicara menjadi satu aliran teks. Menambahkan label penutur adalah pekerjaan manual di sini. Bila Anda membutuhkannya, transkripsikan lebih dulu lalu sunting — file terbuka di editor subtitle mana pun, dan cue-nya sudah terpotong pada batas kalimat, yang membuat proses itu jauh lebih cepat daripada memulai dari timeline kosong.