音声を字幕に文字起こし

このビルドのモデルは言語を検出しないので、話されている言語を頁に伝える必要があります。自動の選択肢はなく、それは意図的です。言語を選ばないとモデルは英語と仮定します。中国語の録音を英語として読んでも失敗せず、元の発音にぼんやり似た自信ありげな英単語が返り、エラーメッセージよりずっと気づきにくいものです。実際に聞こえる言語を選び、迷うならまず速いモデルで 30 秒だけ文字起こしして確かめてください。

再生するには十分で、編集なしで放送するには足りません。各 cue の開始と終了はモデル自身の区切りの境界から来て、単語が始まる正確なフレームではなく句の縁に着地します。2 つの cue が重なる場合、後のものが前へ押され、その調整は損失一覧に数えられるので、重なりも時間の逆走も起きません。放送局に納品する字幕会社のようにフレーム精度の同期が必要なら、正直な答えはこの出力が手で時刻を付ける下書きで、納品物ではないということです。

長いファイルでは、その差が待つことと諦めることの差になるからです。明瞭な 1 分の音声で測ると、速いモデルは約 3.7 秒、正確なモデルは約 7.5 秒で、音声 1 分ごとに待ち時間がおよそ 2 倍です。速いモデルは大文字化が積極的で句読点を作ってしまうこともあり、正確なモデルは人が書くものに近いです。1 時間のインタビューを速いモデルで流して言語と音質を確かめ、ファイルが大丈夫と分かってから正確なモデルで再実行する、というのがよくある進め方です。

モデルが書き取れるものを何も聞かなかったという意味で、普通は 3 つの原因があります。言語の設定が話されている言語と違う、発話が音楽や雑音に埋もれている、音声トラックが非常に小さい、です。ファイル自体は無事で、頁は音声をまったく復号できなかったファイルとこれを区別します。直し方が違うからです。話し言葉の言語を切り替えるか、落とした音声トラックが意図したものか確かめてください。映画のコメンタリーはセリフとは別のストリームです。

止められます。頁はいつ止まるかを明示します。モデルのダウンロードはいつでも取り消せます。認識の間、モデルは窓の途中では中断できないので、取り消しは次の 30 秒の窓の開始で効きます。速いモデルなら数秒後です。途中の結果はダウンロードとして提供されません。モデルはキャッシュに残るので、やり直しても再ダウンロードはありません。

モデルが出した句読点はそのまま残り、たいていは妥当ですが信頼はできません。話者ラベルは作りません。このモデルは声を分けないので、2 人が話していても 1 本のテキストの流れになります。話者ラベルを付けるのはここでは手作業です。必要ならまず文字起こししてから編集してください。ファイルはどの字幕編集でも開け、cue はすでに文の境界で切られているので、白紙のタイムラインから始めるよりずっと速く済みます。