Transkrypcja audio na tekst
Pierwsze uruchomienie pobiera model mowy — około 45 MB dla poziomu szybkiego, 81 MB dla dokładnego, serwowany przez tę stronę i potem zapamiętany przez przeglądarkę. Nic nie jest wysyłane, a transkrypcja jest tworzona maszynowo: sprawdź brzmienie i czasy, zanim ją opublikujesz.
Opcje
Dwa poziomy tego samego modelu. Szybki ma około 45 MB i transkrybuje mniej więcej dwa razy szybciej; dokładny ma około 81 MB i lepiej trafia z wielkością liter i interpunkcją. Oba działają tutaj, a pobranie następuje raz na przeglądarkę. Przy długim nagraniu wypróbuj najpierw poziom szybki, aby sprawdzić, czy język jest właściwy.
Język, którym mówi się w nagraniu. Nie ma opcji automatycznej: ta wersja modelu nie wykrywa języka, a bez wyboru zakłada angielski. Chińskie nagranie czytane jako angielskie nie kończy się błędem — daje płynnie wyglądające bzdury, które znacznie trudniej zauważyć. Wybierz język, który naprawdę słyszysz.
Ta strona zamienia nagranie w czysty tekst: akapity tego, co zostało powiedziane, bez znaczników czasu. Silnik słuchający jest ten sam co w wersji tej strony z napisami — te same modele, te same trzydziestosekundowe okna, ta sama zasada pracy wyłącznie lokalnie — ale ostatni krok jest inny. Zamiast zapisywać blok na zdanie, strona łączy zdania w akapity i całkowicie odrzuca czasy, więc dostajesz coś, co można wkleić do dokumentu, wiadomości albo notatek ze spotkania.
Akapit pęka na jednej z dwóch rzeczy, które naprawdę rozdzielają myśli w mowie: na pauzie dłuższej niż półtorej sekundy albo na czterech zdaniach z rzędu. Sama reguła oparta na przerwach zamieniłaby pięciominutowy monolog w jedną nieczytelną ścianę tekstu; sama reguła oparta na liczbie zdań rozbijałaby oddech mówcy na nowy akapit. Dopiero obie razem dają tekst, który czyta się mniej więcej tak, jak dana osoba mówiła.
Praca jest lokalna. Model mowy pobiera się raz z tej witryny — około 45 MB dla wersji szybkiej, około 81 MB dla dokładnej — i jest potem buforowany przez przeglądarkę; samo nagranie nigdy nie opuszcza karty. Nie ma kroku wysyłania do pominięcia ani konta do założenia, i właśnie dlatego strona nadaje się do wywiadów, których nie wolno wysłać do usługi transkrypcji.
Wynikiem jest plik .txt nazwany od nagrania źródłowego: film.mkv staje się film.transcript.txt. Ten osobny przyrostek jest celowy — zwykły .txt leżący obok innych plików tekstowych powinien mówić, czym jest, a transkrypcja zrobiona przez maszynę to inny rodzaj dokumentu niż notatki kogoś, kto je wpisał.
Tak jak w wersji z napisami, wynik wymaga korekty, a język trzeba wybrać ręcznie: ta wersja modelu przy braku ustawienia zakłada angielski, a pomyłka daje płynnie wyglądający bełkot zamiast komunikatu o błędzie.
Częste pytania
Czym się różni transkrypcja nagrania w czystym tekście od strony eksportującej napisy jako tekst?
Różnica jest w tym, skąd biorą się czasy. Strona eksportu zaczyna od pliku z napisami, który ma już bloki, i łączy ich tekst w akapity — czasy istniały i są po prostu odrzucane. Ta strona zaczyna od nagrania, które nie ma żadnych czasów, buduje je najpierw, a potem odrzuca. Dlatego nagranie bez ścieżki napisów działa tutaj, a tam nie, i dlatego ta strona wymaga pobrania modelu, podczas gdy tamta jest natychmiastowa.
Dlaczego transkrypcja dzieli akapity na półtorej sekundy ciszy?
Bo mniej więcej tam mówcy zmieniają myśl. Krótsze przerwy wypadają wewnątrz zdań i rozcinałyby tekst w środku frazy; znacznie dłuższy próg łączyłby odrębne tematy w jeden akapit. Limit czterech zdań istnieje dla nagrań bez ciszy — czytanego lektora albo podcastu nagranego za jednym podejściem — gdzie pauzy nie nadchodzą, a reguła oparta wyłącznie na przerwach dałaby jeden blok. Obie reguły razem to najmniejszy zestaw, który obsługuje oba skrajne przypadki.
Czy transkrypcję nagrania można wykorzystać jako dowód albo oficjalny protokół?
Nie w postaci, w jakiej wychodzi. To najlepszy domysł maszyny, a transkrypcja maszynowa przekręca nazwiska, liczby i terminy techniczne — dokładnie te słowa, które w protokole mają największe znaczenie. W sprawie prawnej lub medycznej poprawny tryb pracy to potraktowanie wyniku jako szkicu, sprawdzenie go wiersz po wierszu z nagraniem i zaznaczenie tego w dokumencie. Transkrypcja czystsza, niż pozwala na to audio, jest zagrożeniem — i dlatego ta strona nazywa plik .transcript.txt, a nie czymś, co wygląda jak protokół.
Co się dzieje w transkrypcji, gdy w nagraniu jest muzyka albo kilka osób mówi naraz?
Nakładająca się mowa to miejsce, w którym każdy model jednego strumienia traci jakość: dwa głosy naraz stają się jednym ciągnącym się zdaniem, a etykiety mówców nie powstają. Muzyka w tle jest zwykle pomijana, ale głośna muzyka pod mową potrafi wyciągnąć słowa z tekstu albo wymyślić takie, których nikt nie powiedział. Jeśli wynik w niektórych miejscach czyta się dziwnie, porównaj go z nagraniem w tych punktach, zamiast ufać płynności tekstu — pewnie wyglądające zdanie nie jest dowodem, że zostało wypowiedziane.
Czy transkrypcja zachowuje strukturę pliku, na przykład rozdziały lub nazwy ścieżek?
Nie. Przechodzi wyłącznie to audio, które jest transkrybowane; metadane kontenera, takie jak znaczniki rozdziałów, tytuły ścieżek i etykiety językowe, nie są częścią tekstu. Jeśli transkrybujesz jedną ścieżkę z pliku wielościeżkowego, strona czyta audio z pliku, który wrzuciłeś, a podziały akapitów pochodzą z pauz, nie z miejsc, gdzie były rozdziały. Podzielenie długiego nagrania na pliki rozdziałów przed transkrypcją to rozsądny tryb pracy, jeśli chcesz, żeby te granice były widoczne.