ถอดเสียงเป็นคำบรรยาย
การรันครั้งแรกจะดาวน์โหลดโมเดลเสียงพูด — ประมาณ 45 MB สำหรับระดับเร็ว และ 81 MB สำหรับระดับแม่นยำ ให้บริการโดยเว็บนี้และแคชโดยเบราว์เซอร์หลังจากนั้น ไม่มีการอัปโหลด และบทถอดความสร้างโดยเครื่อง: ตรวจทานถ้อยคำและเวลาก่อนเผยแพร่
ตัวเลือก
สองระดับของโมเดลเดียวกัน ตัวเร็วมีขนาดประมาณ 45 MB และถอดความได้เร็วกว่าประมาณสองเท่า ตัวแม่นยำมีขนาดประมาณ 81 MB และให้ตัวพิมพ์ใหญ่กับเครื่องหมายวรรคตอนใกล้เคียงกว่าที่ถูกต้อง ทั้งคู่ทำงานที่นี่ และดาวน์โหลดเพียงครั้งเดียวต่อเบราว์เซอร์ ในการบันทึกเสียงยาว ๆ ให้ลองระดับเร็วก่อนเพื่อตรวจว่าภาษาถูก
ภาษาที่ถูกพูดในการบันทึก ไม่มีตัวเลือกอัตโนมัติ: โมเดลรุ่นนี้ไม่ตรวจจับภาษา และเมื่อไม่เลือกจะถือว่าเป็นอังกฤษ การบันทึกภาษาจีนที่อ่านเป็นอังกฤษไม่ได้ล้มเหลว — มันสร้างข้อความที่ดูคล่องแต่ไร้ความหมาย ซึ่งสังเกตได้ยากกว่ามาก เลือกภาษาที่คุณได้ยินจริง
.srt เล่นได้ทุกที่ รวมถึงโปรแกรมแก้ไขและโทรทัศน์รุ่นเก่า .vtt เป็นรูปแบบเว็บและมีโครงสร้างมากกว่าเล็กน้อย ทั้งคู่เก็บคิวเดียวกันด้วยเวลาเดียวกันทุกประการ เลือกอันที่เครื่องมือถัดไปในสายงานของคุณคาดหวัง
หน้านี้ฟังไฟล์บันทึกเสียงแล้วเขียนสิ่งที่ได้ยินออกมาเป็นไฟล์คำบรรยาย หนึ่งคิวต่อหนึ่งประโยค โดยวางจุดเริ่มและจุดสิ้นสุดของแต่ละคิวตรงที่คำเกิดขึ้นจริง วางไฟล์สัมภาษณ์ คำบรรยาย เสียงบันทึก หรือแทร็กเสียงของภาพยนตร์ที่ไม่มีแทร็กคำบรรยายเลย แล้วได้ .srt หรือ .vtt ที่เล่นได้ในเครื่องเล่นใด ๆ ไม่จำเป็นต้องมีแทร็กคำบรรยายอยู่ก่อน นี่คือหน้าสำหรับกรณีที่ไม่มีอะไรให้แยกออกมา
การฟังเกิดในแท็บ โมเดลเสียงพูดทำงานบน WebAssembly ผ่าน onnxruntime ไฟล์โมเดลเสิร์ฟจากเว็บไซต์นี้ และปริมาณเครือข่ายเดียวคือการดาวน์โหลดนั้น ประมาณ 45 MB สำหรับโมเดลเร็ว และประมาณ 81 MB สำหรับโมเดลแม่นยำ แล้วแคชไว้ ไฟล์บันทึกไม่ถูกส่งไปที่ใด สิ่งที่ได้ออกมาเป็นการเดาที่ดีที่สุดของเครื่อง ไม่ใช่บันทึกที่เป็นทางการ คำที่ได้ยินผิดก็ยังผิด และเวลามีความแม่นยำราวความยาวของวลีไม่ถึงระดับเฟรม ผลลัพธ์ต้องตรวจทานอีกครั้งก่อนเผยแพร่ เสียงถูกตัดเป็นหน้าต่าง 30 วินาทีคาบเกี่ยวกัน 5 วินาที และแต่ละหน้าต่างถูกถอดแยกกัน ซึ่งทำให้ไฟล์ยาวทำได้โดยไม่ต้องถือเสียงหนึ่งชั่วโมงไว้ในโมเดลพร้อมกัน และเป็นเหตุให้การยกเลิกมีผลที่หน้าต่างถัดไปไม่ใช่ทันที ประโยคที่คร่อมขอบถูกตัดซ้ำด้วยการทิ้งสิ่งที่หน้าต่างถัดไปรายงานว่าขึ้นต้นก่อนหน้าต่างก่อนหน้าจบ ประโยคยาวถูกแบ่งที่ขอบประโยค แล้วจึงตามขีดจำกัดสองข้อ คิวหนึ่งยาวไม่เกินเจ็ดวินาทีและกว้างไม่เกิน 84 ตัวอักษร โดยตัดบรรทัดไม่เกิน 42 ตัวอักษรต่อบรรทัด
คำถามที่พบบ่อย
เกิดอะไรขึ้นเมื่อไฟล์บันทึกเสียงเป็นภาษาที่ไม่ใช่อังกฤษ
คุณต้องบอกหน้าว่าภาษาที่พูดคือภาษาอะไร เพราะโมเดลรุ่นนี้ตรวจภาษาเองไม่ได้ ไม่มีตัวเลือกอัตโนมัติ และนั่นตั้งใจ เพราะเมื่อไม่เลือกภาษา โมเดลจะถือว่าอังกฤษ ไฟล์บันทึกภาษาจีนที่อ่านเป็นอังกฤษไม่ได้ล้มเหลว แต่คืนคำอังกฤษที่ดูมั่นใจและฟังคล้ายต้นฉบับ ซึ่งสังเกตยากกว่าข้อความผิดพลาดมาก เลือกภาษาที่ได้ยินจริง และถ้าไม่แน่ใจ ให้ถอดเสียง 30 วินาทีแรกด้วยโมเดลเร็วก่อนแล้วตรวจดู
เวลาของคำบรรยายที่ถอดจากเสียงแม่นยำแค่ไหนเมื่อเทียบกับคำบรรยายที่ทำด้วยมือ
พอเล่นได้ แต่ยังไม่พอออกอากาศโดยไม่แก้ จุดเริ่มและจุดสิ้นสุดของแต่ละคิวมาจากขอบ segment ของโมเดล ซึ่งตกที่ขอบวลีไม่ใช่เฟรมที่คำเริ่มพอดี ที่ใดสองคิวจะซ้อนกัน คิวหลังถูกดันไปข้างหน้าและการปรับถูกนับในรายการสูญหาย ไม่มีคิวซ้อนและไม่มีคิวถอยหลังในเวลา ถ้าลูกค้าต้องการซิงก์ระดับเฟรมสำหรับส่งสถานีโทรทัศน์ คำตอบที่ซื่อตรงคือผลลัพธ์นี้เป็นฉบับร่างให้ตีเวลาด้วยมือ ไม่ใช่ฉบับส่งมอบ
ทำไมจึงมีโมเดลเร็วให้เลือกทั้งที่มีโมเดลแม่นยำอยู่แล้ว
เพราะกับไฟล์ยาว ความต่างคือความต่างระหว่างรอไหวกับล้มเลิก วัดจากเสียงพูดชัดหนึ่งนาที โมเดลเร็วใช้เวลาประมาณ 3.7 วินาที ส่วนโมเดลแม่นยำประมาณ 7.5 วินาที คือรอราวสองเท่าสำหรับเสียงทุกหนึ่งนาที โมเดลเร็วยังใส่อักษรตัวพิมพ์ใหญ่บ่อยกว่าและบางครั้งแต่งเครื่องหมายวรรคตอนขึ้นมา ส่วนโมเดลแม่นยำใกล้เคียงกับสิ่งที่คนเขียน รูปแบบที่พบบ่อยคือรันโมเดลเร็วบนบทสัมภาษณ์หนึ่งชั่วโมงเพื่อตรวจภาษาและคุณภาพเสียง แล้วรันซ้ำด้วยโมเดลแม่นยำเมื่อรู้ว่าไฟล์โอเค
ข้อความ “no speech was recognised” หมายถึงอะไรทั้งที่ได้ยินเสียงพูด
หมายถึงโมเดลไม่ได้ยินอะไรที่เขียนออกมาได้ ซึ่งมีสามสาเหตุปกติ ตั้งค่าภาษาไม่ตรงกับที่พูด เสียงพูดจมอยู่ใต้เพลงหรือเสียงรบกวน หรือแทร็กเสียงเบามาก ตัวไฟล์ยังสมบูรณ์ หน้าแยกกรณีนี้ออกจากไฟล์ที่ถอดรหัสเสียงไม่ได้เลย เพราะสองกรณีต้องแก้ต่างกัน เปลี่ยนภาษาที่พูด หรือตรวจว่าแทร็กเสียงที่วางมาคือแทร็กที่ตั้งใจ เช่นแทร็กบรรยายภาพยนตร์เป็นสตรีมคนละอันกับแทร็กบทสนทนา
หยุดการถอดเสียงเป็นคำบรรยายที่จะใช้เวลานานเกินไปได้ไหม
ได้ และหน้าบอกชัดว่าเมื่อใดจะหยุด การดาวน์โหลดโมเดล ประมาณ 45 MB หรือ 81 MB ขึ้นกับรุ่น ยกเลิกได้ทุกเมื่อ ระหว่างการรู้จำ โมเดลถูกขัดจังหวะกลางหน้าต่างไม่ได้ การยกเลิกจึงมีผลที่จุดเริ่มของหน้าต่าง 30 วินาทีถัดไป ซึ่งกับโมเดลเร็วห่างเพียงไม่กี่วินาที ไม่มีผลลัพธ์บางส่วนถูกเสนอให้ดาวน์โหลด โมเดลยังอยู่ในแคช การลองใหม่จึงไม่ดาวน์โหลดซ้ำ
ไฟล์ .srt ที่ถอดจากเสียงเก็บป้ายผู้พูดหรือเครื่องหมายวรรคตอนไว้หรือไม่
เก็บเครื่องหมายวรรคตอนที่โมเดลสร้างขึ้น ซึ่งปกติสมเหตุสมผลแต่ไม่น่าเชื่อถือ และไม่แต่งป้ายผู้พูดขึ้นมา โมเดลนี้ไม่แยกเสียงคน จึงกลายเป็นข้อความสายเดียวเมื่อสองคนพูด การเพิ่มป้ายผู้พูดเป็นงานทำมือที่นี่ ถ้าต้องการ ให้ถอดเสียงก่อนแล้วแก้ทีหลัง ไฟล์เปิดได้ในโปรแกรมตัดต่อคำบรรยายใด ๆ และคิวถูกแบ่งที่ขอบประโยคแล้ว ซึ่งทำให้การตรวจแก้เร็วขึ้นมากเมื่อเทียบกับการเริ่มจากไทม์ไลน์ว่าง