Transkriber lyd til undertekster
Den første kjøringen laster ned talemodellen — omtrent 45 MB for det raske nivået, 81 MB for det nøyaktige, servert av dette nettstedet og bufret av nettleseren etterpå. Ingenting lastes opp, og transkripsjonen er maskinlaget: korrekturlés ordlyden og tidene før du publiserer den.
Innstillinger
To nivåer av samme modell. Den raske er omtrent 45 MB og transkriberer omtrent dobbelt så raskt; den nøyaktige er omtrent 81 MB og treffer bedre på store bokstaver og tegnsetting. Begge kjører her, og nedlastingen skjer én gang per nettleser. På et langt opptak bør du prøve det raske nivået først for å kontrollere at språket er riktig.
Språket som tales i opptaket. Det finnes ikke noe automatisk alternativ: denne versjonen av modellen gjenkjenner ikke språk, og uten noe valgt antar den engelsk. Et kinesisk opptak lest som engelsk feiler ikke — det produserer flytende utseende vrøvl, som er langt vanskeligere å legge merke til. Velg språket du faktisk hører.
.srt spilles overalt, også i eldre editorer og TV-er; .vtt er nettformatet og bærer litt mer struktur. Begge holder nøyaktig de samme tekstblokkene med nøyaktig de samme tidene, så velg det neste verktøyet i kjeden din forventer.
Denne siden lytter til et opptak og skriver ned det den hører, som en undertekstfil: én tekstblokk per setning, med start og slutt plassert der ordene faktisk skjer. Slipp inn et intervju, en forelesning, et talememo eller lydsporet til en film som ikke har noe undertekstspor i det hele tatt, og du får en .srt eller .vtt som spiller i enhver avspiller. Det trenger ikke finnes noe undertekstspor på forhånd — dette er siden for når det ikke finnes noe å hente ut.
Gjenkjenningen skjer i nettleserfanen. Talemodellen kjører på WebAssembly gjennom onnxruntime, modellfilene leveres fra dette nettstedet, og den eneste nettverkstrafikken er den nedlastingen: rundt 45 MB for den raske modellen, rundt 81 MB for den nøyaktige, bufret av nettleseren etterpå. Opptaket sendes aldri noe sted. Ser du på Nettverkspanelet mens en fil transkriberes, ser du forespørsler gå ned for modelldata og ikke én byte gå opp.
Det som kommer ut, er en maskins beste gjetning, ikke en transkripsjon til arkiv. Ord den hører feil, forblir hørt feil, og tidene er nøyaktige på omtrent en frases lengde snarere enn på bildet. Korrekturles før du publiserer, og behandle resultatet slik du ville behandlet en første gjennomgang skrevet av et raskt menneske som ikke kjente fagfeltet. Det er den samme ærlighetsregelen OCR-sidene følger, og grunnen til at denne siden sier det øverst i stedet for i en fotnote.
Opptaket kuttes i 30 sekunder lange vinduer med 5 sekunders overlapp, og hvert vindu transkriberes for seg. Det er det som gjør lange filer mulige uten å holde en time med lyd i modellen på én gang, og det er også derfor avbrytelse virker ved neste vindu i stedet for umiddelbart. Setninger som krysser en grense, dupliseres bort ved å droppe alt neste vindu rapporterer som starter før forrige vindu sluttet — den tidligere lesingen vinner, fordi den hørte hele frasen.
Lange setninger deles ved setningsgrenser, deretter etter et par grenser: ingen tekstblokk lengre enn sju sekunder og ingen bredere enn 84 tegn, brutt til høyst 42 tegn per linje. Det er de samme grensene de fleste kringkastere oppgir, så utdataene består vanligvis en første samsvarskontroll uten redigering.
Ofte stilte spørsmål
Hva skjer når opptaket er på et annet språk enn engelsk?
Du må fortelle siden hvilket språk som snakkes, fordi denne versjonen av modellen ikke oppdager det. Det finnes ikke noe automatisk alternativ, og det er med vilje: uten et valgt språk antar modellen engelsk. Et kinesisk opptak lest som engelsk feiler ikke — det returnerer selvsikre engelske ord som høres vagt likt originalen, som er mye vanskeligere å oppdage enn en feilmelding. Velg språket du faktisk hører, og er du usikker, transkriberer du tretti sekunder med den raske modellen først og kontrollerer.
Hvor nøyaktige er tidene sammenlignet med en håndlaget undertekst?
Gode nok til avspilling, ikke gode nok til kringkasting uredigert. Start og slutt for hver tekstblokk kommer fra modellens egne segmentgrenser, som lander på frasekanter snarere enn på det nøyaktige bildet et ord begynner på. Der to tekstblokker ville overlappe, skyves den senere fram, og justeringen telles i taplisten, så ingenting overlapper og ingenting går bakover i tid. Trenger en kunde bildeopptatt synkronisering — et undertekststudio som leverer til en kringkaster — er det ærlige svaret at disse utdataene er et utkast som skal tidfestes for hånd, ikke en leveranse.
Hvorfor tilbys den raske modellen i det hele tatt når den nøyaktige finnes?
Fordi forskjellen på en lang fil er forskjellen mellom å vente og å gi opp. Målt på ett minutt med klar tale tar den raske modellen rundt 3,7 sekunder og den nøyaktige rundt 7,5 — omtrent dobbel ventetid for hvert minutt med lyd. Den raske modellen setter også stor forbokstav oftere og finner av og til opp tegnsetting; den nøyaktige er nærmere det et menneske ville skrevet. Et vanlig mønster er å kjøre den raske modellen over et timeslangt intervju for å kontrollere språket og lydkvaliteten, og deretter kjøre på nytt med den nøyaktige når du vet at filen er i orden.
Hva betyr «ingen tale ble gjenkjent» når jeg kan høre at noen snakker?
Det betyr at modellen ikke hørte noe den kunne skrive ned, og det har tre vanlige årsaker: språkinnstillingen stemmer ikke med det som snakkes, talen ligger begravd under musikk eller støy, eller lydsporet er svært lavt. Selve filen er intakt — siden skiller dette fra en fil hvis lyd ikke kunne dekodes i det hele tatt, fordi de to trenger ulike rettelser. Bytt talespråk, eller kontroller at lydsporet du slapp inn, er det du mente (et kommentarspor er en annen strøm enn dialogen).
Kan jeg stoppe en transkripsjon som kommer til å ta for lang tid?
Ja, og siden er tydelig på når den stopper. Nedlastingen av modellen kan avbrytes i det øyeblikket du vil. Under gjenkjenningen kan ikke modellen avbrytes midt i et vindu — så avbrytelse virker ved starten av neste 30-sekundersvindu, som med den raske modellen er et par sekunder unna. Ingenting delvis tilbys som nedlasting. Modellen blir bufret, så et nytt forsøk laster den ikke ned på nytt.
Beholder den ferdige .srt-filen taleretiketter eller tegnsetting?
Den beholder den tegnsettingen modellen produserte, som vanligvis er fornuftig men ikke pålitelig, og den finner ikke opp taleretiketter: denne modellen skiller ikke stemmer, så to personer som snakker blir én tekststrøm. Å legge til taleretiketter er en manuell jobb her. Trenger du dem, transkriberer du først og redigerer etterpå — filen åpner i enhver underteksteditor, og tekstblokkene er allerede delt ved setningsgrenser, som gjør gjennomgangen mye raskere enn å starte fra en tom tidslinje.