Transkribera ljud till undertexter
Första körningen laddar ner talmodellen – ungefär 45 MB för den snabba nivån, 81 MB för den noggranna, serverad av den här webbplatsen och cachad av webbläsaren efteråt. Inget laddas upp, och transkriptionen är maskintillverkad: korrekturläs ordalydelsen och tiderna innan du publicerar den.
Inställningar
Två nivåer av samma modell. Den snabba är ungefär 45 MB och transkriberar ungefär dubbelt så snabbt; den noggranna är ungefär 81 MB och träffar versaler och skiljetecken bättre. Båda körs här, och nedladdningen sker en gång per webbläsare. På en lång inspelning, prova den snabba nivån först för att kontrollera att språket är rätt.
Språket som talas i inspelningen. Det finns inget automatiskt alternativ: den här versionen av modellen identifierar inte språk, och utan val antas engelska. En kinesisk inspelning som läses som engelska misslyckas inte – den producerar flytande nonsens, vilket är mycket svårare att lägga märke till. Välj det språk du faktiskt hör.
.srt spelas överallt, även i äldre redigerare och tv-apparater; .vtt är webbformatet och bär lite mer struktur. Båda håller exakt samma textblock med exakt samma tider, så välj det som nästa verktyg i din kedja förväntar sig.
Den här sidan lyssnar på en inspelning och skriver ner vad den hör, som en undertextfil: ett textblock per mening, med start och slut placerade där orden faktiskt inträffar. Släpp in en intervju, en föreläsning, ett röstmemo eller ljudspåret från en film som helt saknar undertextspår, och du får en .srt eller .vtt som spelas i vilken spelare som helst. Inget undertextspår behöver finnas i förväg – det här är sidan för när det inte finns något att extrahera.
Lyssnandet sker i fliken. Talmodellen körs på WebAssembly via onnxruntime, modellfilerna serveras från den här sajten, och den enda nätverkstrafiken är den nedladdningen: ungefär 45 MB för den snabba modellen och 81 MB för den noggranna, cachad av webbläsaren efteråt. Inspelningen skickas aldrig någonstans. Tittar du på nätverkspanelen medan en fil transkriberas ser du förfrågningar gå ner för modelldata och inte en enda byte gå upp.
Det som kommer ut är en maskins bästa gissning, inte en transkription av records värde. Ord den hör fel förblir felhörda, och tiderna är ungefärliga till en fraslängd snarare än till en bildruta. Korrekturläs innan du publicerar, och behandla resultatet som du skulle behandla en första genomgång skriven av en snabb människa som inte kände ämnet. Det är samma ärlighetsregel som OCR-sidorna följer, och skälet till att den här sidan säger det högst upp i stället för i en fotnot.
Inspelningen delas i 30-sekundersfönster med 5 sekunders överlapp, och varje fönster transkriberas för sig. Det är vad som gör långa filer möjliga utan att hålla en timme ljud i modellen samtidigt, och det är också varför en avbrytning verkar vid nästa fönster i stället för omedelbart. Meningar som korsar en gräns dubbleras inte: allt som nästa fönster rapporterar och som börjar före föregående fönsters slut kastas, eftersom den tidigare läsningen hörde hela frasen. Nedladdningen av modellen kan däremot avbrytas direkt.
Långa meningar delas vid meningsgränser och sedan av två gränser: inget textblock längre än sju sekunder och inget bredare än 84 tecken, radbrutet till högst 42 tecken per rad. Det är samma gränser som de flesta tv-bolag anger, så utdata klarar oftast en första överensstämmelsekontroll utan redigering.
Vanliga frågor
Vad händer när inspelningen är på ett annat språk än engelska i transkriberingen till undertext?
Du måste tala om för sidan vilket språk som talas, eftersom den här versionen av modellen inte identifierar det. Det finns inget automatiskt val, och det är med avsikt: utan ett valt språk antar modellen engelska. En kinesisk inspelning som läses som engelska misslyckas inte – den returnerar självsäkra engelska ord som låter vagt som originalet, vilket är mycket svårare att upptäcka än ett felmeddelande. Välj det språk du faktiskt hör, och är du osäker transkriberar du först trettio sekunder med den snabba modellen och kontrollerar. De tio valen är engelska, kinesiska, spanska, arabiska, hindi, portugisiska, franska, japanska, ryska och koreanska.
Hur exakta är tiderna i den tidsatta undertexten jämfört med en handgjord?
Tillräckligt bra för att spela, inte tillräckligt bra för att sända oredigerat. Varje textblocks start och slut kommer från modellens egna segmentgränser, som landar på fraskanter snarare än på den exakta bildruta där ett ord börjar. Där två block skulle överlappa skjuts det senare framåt och justeringen räknas i förlustlistan, så inget överlappar och inget går bakåt i tiden. Behöver en kund bildruteexakt synk – ett textningshus som levererar till en tv-kanal – är det ärliga svaret att utdata är ett utkast som ska tidsättas för hand, inte en leverans.
Varför erbjuds den snabba modellen alls när den noggranna finns i undertexttranskriberingen?
Eftersom skillnaden på en lång fil är skillnaden mellan att vänta och att ge upp. Mätt på en minut tydligt tal tar den snabba modellen ungefär 3,7 sekunder och den noggranna ungefär 7,5 – ungefär dubbel väntetid för varje minut ljud. Den snabba modellen sätter också versaler mer aggressivt och hittar ibland på skiljetecken; den noggranna ligger närmare vad en människa skulle skriva. Ett vanligt mönster är att köra den snabba modellen över en timmeslång intervju för att kontrollera språk och ljudkvalitet och sedan köra om med den noggranna när filen visat sig vara okej. Standardvalet är den noggranna.
Vad betyder ”inget tal kändes igen” när jag hör att det pratas i inspelningen?
Det betyder att modellen inte hörde något den kunde skriva ner, vilket har tre vanliga orsaker: språkinställningen matchar inte det som talas, talet ligger begravt under musik eller brus, eller ljudspåret är mycket svagt. Själva filen är intakt – sidan skiljer det här från en fil vars ljud inte alls kunde avkodas, eftersom de två behöver olika åtgärder. Byt det talade språket, eller kontrollera att det ljudspår du släppte in är det du menade (en films kommentarspår är en annan ström än dess dialog).
Kan jag stoppa en transkribering till undertext som kommer att ta för lång tid?
Ja, och sidan är tydlig med när den stannar. Nedladdningen av modellen kan avbrytas när som helst. Under igenkänningen kan modellen inte avbrytas mitt i ett fönster – så avbrytningen verkar vid början av nästa 30-sekundersfönster, vilket med den snabba modellen ligger ett par sekunder bort. Inget halvfärdigt erbjuds som nedladdning. Modellen förblir cachad, så ett nytt försök laddar inte ner den igen.
Behåller den färdiga .srt-filen från transkriberingen talaretiketter eller skiljetecken?
Den behåller de skiljetecken modellen producerade, vilka oftast är rimliga men inte pålitliga, och den hittar inte på talaretiketter: modellen skiljer inte röster, så två personer som pratar blir en enda textström. Att lägga till talaretiketter är ett manuellt jobb här. Behöver du dem transkriberar du först och redigerar sedan – filen öppnas i vilken undertextredigerare som helst, och textblocken är redan delade vid meningsgränser, vilket gör genomgången mycket snabbare än att börja från en tom tidslinje.