Transkripsi audio jadi teks
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.
Halaman ini mengubah rekaman menjadi teks biasa: paragraf-paragraf dari apa yang dikatakan, dengan timecode dibuang. Mesin pendengarnya sama dengan versi subtitle halaman ini — model sama, jendela tiga puluh detik sama, aturan hanya-lokal sama — tetapi langkah terakhirnya berbeda. Alih-alih menulis satu cue per kalimat, halaman ini menggabungkan kalimat menjadi paragraf dan membuang timing sepenuhnya, sehingga yang Anda terima adalah sesuatu yang bisa ditempel ke dokumen, email, atau catatan rapat.
Paragraf diputus oleh dua hal yang benar-benar memisahkan pikiran dalam ujaran: jeda lebih dari satu setengah detik, atau empat kalimat berturut-turut. Aturan berbasis jeda saja akan mengubah monolog lima menit menjadi satu dinding teks yang tidak terbaca; aturan berbasis jumlah kalimat saja akan memecah jeda napas penutur menjadi paragraf baru. Keduanya bersama menghasilkan sesuatu yang kira-kira terbaca seperti cara orang itu berbicara.
Pekerjaannya lokal. Model ucapan Whisper diunduh sekali dari situs ini — sekitar 45 MB untuk tingkat cepat, sekitar 81 MB untuk yang akurat — lalu di-cache peramban; rekamannya sendiri tidak pernah keluar dari tab. Pembatalan mengikuti jendela: satu jendela 30 detik tidak bisa diinterupsi di tengah, jadi batal berlaku sebelum jendela berikutnya dimulai, bukan seketika. Tidak ada langkah unggah yang harus dilewati dan tidak ada akun yang harus dibuat, dan itulah yang membuat halaman ini bisa dipakai pada wawancara yang tidak boleh dikirim ke layanan transkripsi.
Keluarannya adalah file .txt yang dinamai menurut rekaman sumbernya: film.mkv menjadi film.transcript.txt. Sufiks yang berbeda itu disengaja — file .txt biasa yang tergeletak di samping file teks lain seharusnya menyatakan apa dirinya, dan transkrip yang dibuat mesin adalah jenis dokumen yang berbeda dari catatan rapat yang diketik seseorang.
Seperti versi subtitle-nya, hasilnya perlu diperiksa ulang, dan bahasanya harus dipilih dengan tangan: build model ini mengandaikan bahasa Inggris bila tidak diberi tahu apa pun, dan salah memilih menghasilkan omong kosong yang lancar alih-alih pesan galat.
Pertanyaan yang sering diajukan
Apa bedanya transkrip dari audio ini dengan halaman yang mengekspor file subtitle sebagai teks?
Bedanya ada pada dari mana timing berasal. Halaman ekspor dimulai dengan file subtitle yang sudah punya cue dan menggabungkan teksnya menjadi paragraf — timing-nya sudah ada dan hanya dibuang. Halaman ini dimulai dengan audio yang sama sekali tidak punya timing dan membangunnya lebih dulu, baru membuangnya. Itulah sebabnya rekaman tanpa track subtitle bisa diproses di sini dan tidak di sana, dan sebabnya halaman ini membutuhkan unduhan model sementara halaman itu seketika.
Mengapa paragraf transkrip dipisahkan pada jeda satu setengah detik?
Karena kira-kira di situlah penutur berganti pikiran. Jeda yang lebih pendek jatuh di dalam kalimat dan akan memotong teks di tengah klausa; ambang yang jauh lebih panjang menggabungkan topik berbeda menjadi satu paragraf. Batas empat kalimat ada untuk kasus rekaman yang sama sekali tanpa keheningan — voice-over yang dilatih atau podcast yang direkam sekali jadi — tempat jeda tidak pernah datang dan aturan berbasis jeda saja akan menghasilkan satu blok. Kedua aturan bersama adalah himpunan terkecil yang menangani kedua ujung itu.
Bisakah transkrip rekaman ini dipakai sebagai bukti atau catatan resmi?
Tidak sebagaimana dihasilkan. Ini adalah tebakan terbaik mesin, dan transkripsi mesin mengacaukan nama, angka, dan istilah teknis — justru kata-kata yang paling penting dalam sebuah catatan. Dalam konteks hukum atau medis, alur kerja yang benar adalah memakainya sebagai draf yang kemudian diperiksa baris demi baris terhadap audionya, dan menyatakan hal itu di dalam dokumen. Transkrip yang lebih bersih daripada audionya adalah liabilitas, dan itulah juga sebabnya halaman ini menamai file .transcript.txt alih-alih sesuatu yang terlihat seperti notulen.
Bagaimana bila rekaman berisi musik atau beberapa orang berbicara saling menimpa?
Ucapan yang tumpang tindih adalah tempat model aliran tunggal mana pun menurun kualitasnya: dua suara sekaligus menjadi satu kalimat yang menyambung terus, dan tidak ada label penutur yang dihasilkan. Musik latar biasanya diabaikan, tetapi musik keras di bawah ucapan bisa menarik kata keluar dari teks atau mengarang kata yang tidak pernah diucapkan. Bila hasilnya terasa aneh di beberapa bagian, bandingkan dengan audionya di titik itu alih-alih memercayai aliran teksnya — kalimat yang tampak percaya diri bukan bukti bahwa kalimat itu diucapkan.
Apakah transkrip teks ini mempertahankan struktur file seperti chapter atau nama track?
Tidak. Hanya audio yang ditranskripsi yang ikut keluar; metadata container seperti penanda chapter, judul track, dan tag bahasa bukan bagian dari teks. Bila Anda mentranskripsi satu track dari file multi-track, halaman ini membaca audio dari file yang Anda masukkan, dan pemisah paragraf berasal dari jeda, bukan dari posisi chapter. Memecah rekaman panjang menjadi file per chapter lebih dulu adalah alur kerja yang wajar bila Anda ingin batas itu muncul.