ถอดเสียงเป็นข้อความ
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
หน้านี้เปลี่ยนไฟล์บันทึกเสียงเป็นข้อความล้วน ย่อหน้าของสิ่งที่พูด โดยไม่มีไทม์โค้ด เป็นเอนจินฟังตัวเดียวกับหน้าถอดเสียงเป็นคำบรรยาย โมเดลเดียวกัน หน้าต่าง 30 วินาทีเดียวกัน และกฎอยู่ในเครื่องเดียวกัน แต่ขั้นสุดท้ายต่างกัน แทนที่จะเขียนหนึ่งคิวต่อหนึ่งประโยค มันรวมประโยคเป็นย่อหน้าและทิ้งเวลาไปทั้งหมด สิ่งที่ได้จึงวางลงในเอกสาร อีเมล หรือบันทึกการประชุมได้
ย่อหน้าแตกที่สองสิ่งที่แยกความคิดในการพูดจริง คือช่วงหยุดยาวกว่า 1.5 วินาที หรือสี่ประโยคติดกัน กฎที่ดูแค่ช่องว่างจะเปลี่ยนบทพูดเดี่ยวห้านาทีเป็นกำแพงข้อความก้อนเดียว และกฎที่นับประโยคจะแยกช่วงหายใจของผู้นำเป็นย่อหน้าใหม่ ทั้งสองอย่างด้วยกันจึงให้ผลที่อ่านแล้วใกล้เคียงกับวิธีที่คนพูด งานทั้งหมดอยู่ในเครื่อง โมเดลเสียงพูดดาวน์โหลดครั้งเดียวจากเว็บไซต์นี้ ประมาณ 45 MB สำหรับระดับเร็ว และประมาณ 81 MB สำหรับระดับแม่นยำ แล้วแคชไว้ ตัวไฟล์บันทึกไม่เคยออกจากแท็บ ผลลัพธ์เป็นไฟล์ .txt ตั้งชื่อตามไฟล์ต้นฉบับ film.mkv กลายเป็น film.transcript.txt ส่วนต่อท้ายที่ต่างออกไปนั้นตั้งใจ เพราะไฟล์ .txt ธรรมดาที่วางข้างไฟล์ข้อความอื่นควรบอกได้ว่าตัวเองคืออะไร และบทถอดเสียงที่เครื่องทำเป็นเอกสารคนละชนิดกับบันทึกที่คนพิมพ์ ผลลัพธ์ต้องตรวจทานอีกครั้ง และต้องเลือกภาษาด้วยมือ เพราะโมเดลเวอร์ชันนี้ถือว่าภาษาอังกฤษเมื่อไม่บอกอะไร และการเลือกผิดจะให้ข้อความลื่นไหลที่ไร้ความหมายแทนที่จะเป็นข้อผิดพลาด
คำถามที่พบบ่อย
หน้านี้ต่างจากหน้าที่ส่งออกไฟล์คำบรรยายเป็นข้อความอย่างไร
ความต่างอยู่ที่เวลามาจากไหน หน้าส่งออกเริ่มจากไฟล์คำบรรยายที่มีคิวอยู่แล้วและรวมข้อความเข้าเป็นย่อหน้า เวลามีอยู่แล้วและเพียงถูกทิ้งไป หน้านี้เริ่มจากเสียงที่ไม่มีเวลาเลย สร้างเวลาก่อน แล้วจึงทิ้งมัน นั่นคือเหตุที่ไฟล์บันทึกที่ไม่มีแทร็กคำบรรยายใช้ได้ที่นี่แต่ใช้ไม่ได้ที่นั่น และเป็นเหตุที่หน้านี้ต้องดาวน์โหลดโมเดลประมาณ 45 MB หรือ 81 MB ขณะที่หน้านั้นทำได้ทันที
ทำไมย่อหน้าจึงแตกที่ความเงียบ 1.5 วินาที
เพราะนั่นคือจุดที่ผู้พูดมักเปลี่ยนความคิด ช่องว่างที่สั้นกว่าตกอยู่ในประโยคและจะผ่าข้อความกลางอนุประโยค ส่วนเกณฑ์ที่ยาวกว่านี้มากจะรวมหัวข้อต่างกันเป็นย่อหน้าเดียว เพดานสี่ประโยคมีไว้สำหรับกรณีที่ไฟล์บันทึกไม่มีความเงียบเลย เช่นเสียงบรรยายที่ซ้อมมาแล้วหรือพอดแคสต์ที่อัดรวดเดียว ซึ่งช่วงหยุดไม่เคยมาและกฎที่ดูช่องว่างเพียงอย่างเดียวจะให้ข้อความก้อนเดียว กฎสองข้อด้วยกันคือชุดที่เล็กที่สุดที่รับมือได้ทั้งสองปลาย
บทถอดเสียงจากไฟล์บันทึกใช้เป็นหลักฐานหรือบันทึกทางการได้ไหม
ไม่ได้ในสภาพที่ผลิตออกมา มันเป็นการเดาที่ดีที่สุดของเครื่อง และการถอดเสียงด้วยเครื่องทำชื่อ ตัวเลข และศัพท์เทคนิคเพี้ยน ซึ่งเป็นคำที่สำคัญที่สุดในบันทึกพอดี ในบริบททางกฎหมายหรือทางการแพทย์ ขั้นตอนที่ถูกต้องคือใช้เป็นฉบับร่างแล้วตรวจทีละบรรทัดเทียบกับเสียง และระบุไว้ในเอกสาร บทถอดเสียงที่สะอาดกว่าเสียงจริงคือความเสี่ยง ซึ่งเป็นเหตุที่หน้านี้ตั้งชื่อไฟล์เป็น .transcript.txt ไม่ใช่ชื่อที่ดูเหมือนรายงานการประชุม
ถ้าไฟล์บันทึกมีเพลงหรือหลายคนพูดทับกันจะเป็นอย่างไร
เสียงพูดทับกันคือจุดที่โมเดลสายเดียวเสื่อมลง สองเสียงพร้อมกันกลายเป็นประโยคยาวรวดเดียว และไม่มีการสร้างป้ายผู้พูด เพลงพื้นหลังมักถูกข้าม แต่เพลงดังใต้เสียงพูดอาจดึงคำออกจากข้อความหรือแต่งคำที่ไม่เคยพูดขึ้นมา ถ้าผลลัพธ์อ่านแปลกบางช่วง ให้เทียบกับเสียง ณ จุดนั้นแทนที่จะเชื่อลีลาของข้อความ ประโยคที่ดูมั่นใจไม่ใช่หลักฐานว่ามันถูกพูดจริง การยกเลิกมีผลที่จุดเริ่มของหน้าต่าง 30 วินาทีถัดไป และการดาวน์โหลดโมเดลยกเลิกได้ทันที
บทถอดเสียงเก็บโครงสร้างของไฟล์ เช่นบทหรือชื่อแทร็ก ไว้ไหม
ไม่ เก็บเฉพาะเสียงที่ถูกถอดเข้ามา เมทาดาทาของคอนเทนเนอร์เช่นเครื่องหมายบท ชื่อแทร็ก และแท็กภาษา ไม่ได้เป็นส่วนของข้อความ ถ้าถอดเสียงแทร็กเดียวจากไฟล์หลายแทร็ก หน้าอ่านเสียงจากไฟล์ที่คุณวาง และการแบ่งย่อหน้ามาจากช่วงหยุดไม่ใช่จากตำแหน่งบท การแยกไฟล์บันทึกยาวเป็นไฟล์รายบทก่อนเป็นขั้นตอนที่สมเหตุสมผลถ้าต้องการให้ขอบเขตเหล่านั้นปรากฏ