Sesi altyazıya dök
İlk çalıştırma konuşma modelini indirir — hızlı kademe için yaklaşık 45 MB, doğru olan için 81 MB — bu site tarafından sunulur ve sonrasında tarayıcı tarafından önbelleğe alınır. Hiçbir şey yüklenmez ve döküm makine tarafından üretilmiştir: yayımlamadan önce sözcükleri ve zamanlamaları düzeltin.
Seçenekler
Aynı modelin iki kademesi. Hızlı olan yaklaşık 45 MB’tır ve kabaca iki kat hızlı yazıya döker; doğru olan yaklaşık 81 MB’tır ve büyük harf ile noktalamayı daha doğru yakınlaştırır. İkisi de burada çalışır ve indirme tarayıcı başına bir kez olur. Uzun bir kayıtta önce hızlı kademeyi deneyip dilin doğru olduğunu kontrol edin.
Kayıtta konuşulan dil. Otomatik seçenek yoktur: modelin bu derlemesi dil algılamaz ve hiçbiri seçilmezse İngilizce varsayar. İngilizce okunan Çince bir kayıt başarısız olmaz — akıcı görünen anlamsız bir metin üretir ve bunu fark etmek çok daha zordur. Gerçekten duyduğunuz dili seçin.
.srt her yerde oynar, eski düzenleyiciler ve televizyonlar dahil; .vtt web formatıdır ve biraz daha fazla yapı taşır. İkisi de tam olarak aynı replikleri tam olarak aynı zamanlamalarla taşır, bu yüzden zincirinizdeki bir sonraki aracın beklediğini seçin.
Bu sayfa bir kaydı dinler ve duyduğunu altyazı dosyası olarak yazar: cümle başına bir replik, her repliğin başlangıcı ve bitişi sözcüklerin gerçekten olduğu yere yerleştirilmiş. Bir söyleşi, bir ders, bir sesli not ya da hiç altyazı izi olmayan bir filmin ses kanalını bırakın; her oynatıcıda açılan bir `.srt` ya da `.vtt` alın. Önceden var olan bir altyazı izi gerekmez — bu sayfa, çıkaracak hiçbir şey olmadığında kullanılır.
Dinleme sekmenin içinde olur. Konuşma modeli onnxruntime üzerinden WebAssembly’de çalışır, model dosyaları bu siteden sunulur ve tek ağ trafiği o indirmedir: hızlı model için yaklaşık 45 MB, doğru model için yaklaşık 81 MB; sonrasında tarayıcıda önbelleğe alınır. Kayıt hiçbir yere gönderilmez. Bir dosya yazıya dökülürken Ağ panelini açarsanız yalnızca model verisinin aşağı indiğini görürsünüz; yukarı çıkan tek bayt yoktur.
Zamanlamalar oynatılabilir ama yayına hazır değildir. Her repliğin başlangıcı ve bitişi modelin kendi bölüt sınırlarından gelir; bunlar bir sözcüğün başladığı karenin değil, ifade kenarlarının üzerine düşer. İki replik çakışacaksa sonraki öne itilir ve `start < end` kuralı korunur. Model konuşmacıları ayırmaz: iki kişi konuşuyorsa tek bir metin akışı çıkar. Noktalama modelin ürettiği kadardır, genellikle makuldür ama güvenilir değildir. Bu yüzden çıktı bir taslaktır ve yayımlamadan önce gözden geçirilmelidir; sayfa bunu gizlemez.
Sık sorulan sorular
Kayıt İngilizce dışında bir dildeyse ne oluyor?
Sayfaya konuşulan dili söylemeniz gerekir, çünkü bu model yapısı dili kendisi algılamaz. Otomatik seçenek yoktur ve bu bilinçlidir: dil seçilmezse model İngilizce varsayar. İngilizce okunan Çince bir kayıt hata vermez; sessizce yanlış metne dönüşür. Dil kutusu, bu yüzden isteğe bağlı bir kolaylık değil zorunlu bir bilgidir.
Zamanlamalar elle yapılmış bir altyazıyla karşılaştırıldığında ne kadar doğru?
Oynatmak için yeterli, düzenlenmeden yayımlamak için değil. Her repliğin başlangıcı ve bitişi modelin kendi bölüt sınırlarından gelir ve bunlar bir sözcüğün başladığı karenin değil ifade kenarlarının üzerine düşer. İki replik çakışacaksa sonraki öne itilir ve `start < end` kuralı korunur; yine de yayın öncesi bir gözden geçirme gerekir.
Doğru model varken hızlı model neden sunuluyor?
Çünkü uzun bir dosyada fark, beklemekle vazgeçmek arasındaki farktır. Bir dakikalık net konuşmada ölçüldüğünde hızlı model yaklaşık 3,7 saniye, doğru model yaklaşık 7,5 saniye alır — her dakika için yaklaşık iki kat bekleme. Hızlı model, uzun kayıtlarda önce taslağı çıkarmak için vardır; doğru model ise kısa ve önemli dosyalar içindir.
Konuşma duyduğum hâlde “konuşma tanınmadı” ne demek?
Modelin yazıya dökebileceği bir şey duymadığı anlamına gelir ve üç yaygın nedeni vardır: dil ayarı konuşulanla eşleşmiyordur, konuşma müzik ya da gürültü altında kalıyordur veya ses kanalı çok kısıktır. Dosyanın kendisi sağlamdır; sayfa “ses yok” ile “dosya okunamadı”yı ayrı söyler, çünkü ikisi farklı şeylerdir.
Çok uzun sürecek bir yazıya dökmeyi durdurabilir miyim?
Evet ve sayfa ne zaman duracağını açıkça söyler. Model indirmesi her an iptal edilebilir. Tanıma sırasında model bir pencerenin ortasında kesilemez; bu yüzden iptal, bir sonraki 30 saniyelik pencerenin başında etkili olur. Bu, iptalin anında olduğu anlamına gelmez ve sayfa bunu öyle yazmaz — seslendirme sayfası anındadır, bu sayfa değil.
Çıkan `.srt` konuşmacı etiketlerini ya da noktalamayı koruyor mu?
Modelin ürettiği noktalamayı korur; bu genellikle makuldür ama güvenilir değildir. Konuşmacı etiketi uydurmaz: model sesleri ayırmaz, bu yüzden iki kişinin konuşması tek bir metin akışına dönüşür. Konuşmacı etiketi eklemek elle yapılan bir iştir ve bu sayfanın kapsamı dışındadır.