Транскрибировать аудио в текст
При первом запуске скачивается речевая модель — около 45 МБ для быстрой и 81 МБ для точной, с этого сайта; дальше её кэширует браузер. Ничего не загружается, а транскрипт сделан машиной: вычитайте слова и тайминг, прежде чем публиковать.
Параметры
Два уровня одной модели. Быстрая весит около 45 МБ и расшифровывает примерно вдвое быстрее; точная весит около 81 МБ и лучше справляется с заглавными буквами и пунктуацией. Обе работают здесь, и загрузка происходит один раз на браузер. На длинной записи сначала попробуйте быстрый уровень, чтобы проверить, тот ли язык.
Язык, на котором говорят в записи. Автоматического варианта нет: эта сборка модели не определяет язык, а без выбора предполагает английский. Китайская запись, прочитанная как английская, не падает — она выдаёт беглую бессмыслицу, которую заметить гораздо труднее. Выбирайте язык, который действительно слышите.
Страница превращает запись в обычный текст: абзацы сказанного без таймкодов. Движок тот же, что у страницы субтитров из звука — те же модели, те же тридцатисекундные окна и то же правило «только на устройстве», — но последний шаг другой: вместо реплики на предложение текст склеивается в абзацы, а время отбрасывается целиком, поэтому получается то, что можно вставить в документ, письмо или заметки встречи.
Абзацы рвутся по двум вещам, которые действительно разделяют мысли в речи: пауза дольше полутора секунд или четыре предложения подряд — правило только по паузам превратило бы пятиминутный монолог в одну нечитаемую стену, а правило только по числу предложений разбивало бы паузу для вдоха на новый абзац. Работа идёт на устройстве: модель скачивается один раз с этого сайта — около 45 МБ для быстрой ступени и около 81 МБ для точной — и кэшируется браузером, а запись не покидает вкладку. На выходе .txt с именем по исходному файлу: film.mkv становится film.transcript.txt, и этот отдельный суффикс стоит намеренно — машинный транскрипт это документ другого рода, чем заметки, напечатанные человеком.
Частые вопросы
Чем это отличается от страницы, которая экспортирует субтитры как текст?
Тем, откуда берётся время. Экспорт начинает с файла субтитров, где реплики уже есть, и склеивает их текст в абзацы: время существовало и просто выбрасывается. Эта страница начинает со звука, где времени нет вовсе, строит его, а потом отбрасывает. Поэтому запись без дорожки субтитров работает здесь и не работает там, и поэтому этой странице нужна загрузка модели, а той — нет.
Почему абзацы разделяются на паузе в полторы секунды?
Потому что примерно там говорящий меняет мысль. Более короткие промежутки встречаются внутри предложений и разрезали бы текст посреди придаточного; заметно больший порог склеил бы разные темы в один абзац. Ограничение в четыре предложения нужно для записи, где тишины нет совсем — заученной озвучки или подкаста, записанного одним дублем: там паузы не наступают, и правило только по паузам дало бы один блок. Вместе эти два правила — наименьший набор, который держит оба края.
Можно ли использовать транскрипт как доказательство или официальный протокол?
Не в том виде, в каком он получен. Это лучшая догадка машины, а машинная транскрибация портит имена, числа и термины — именно те слова, которые в протоколе важнее всего. В юридической или медицинской работе правильный порядок такой: использовать его как черновик, сверить строку за строкой со звуком и написать об этом в документе. Транскрипт чище, чем звук, — это уже риск, и именно поэтому файл называется .transcript.txt, а не чем-то похожим на протокол встречи.
Что будет, если в записи музыка или несколько человек говорят одновременно?
Одновременная речь — то место, где любая однопоточная модель деградирует: два голоса сразу становятся одним слитным предложением, и меток говорящих не появляется. Фоновая музыка обычно игнорируется, но громкая музыка под речью может вырвать слова из текста или вписать те, которых не говорили. Если результат местами читается странно, сравните эти места со звуком, а не доверяйте плавности текста: уверенно выглядящее предложение не доказывает, что оно было сказано.
Сохраняет ли транскрипт структуру самого файла — главы или названия дорожек?
Нет. Проходит только тот звук, который распознан; метаданные контейнера — метки глав, названия дорожек и языковые теги — в текст не входят. Если вы распознаёте одну дорожку из многодорожечного файла, страница читает звук из перетащенного файла, а границы абзацев берутся из пауз, а не из того, где стояли главы. Разбить длинную запись на файлы по главам заранее — разумный приём, если эти границы должны быть видны.