Транскрибувати аудіо в текст
Перший запуск завантажує мовну модель — близько 45 МБ для швидкого рівня, 81 МБ для точного, віддається цим сайтом і після цього кешується браузером. Нічого не надсилається, а транскрипт робить машина: вичитайте формулювання й таймінги, перш ніж публікувати.
Параметри
Два рівні однієї моделі. Швидша — близько 45 МБ, транскрибує приблизно вдвічі швидше; точніша — близько 81 МБ, краще передає великі літери й пунктуацію. Обидві працюють тут, і завантаження відбувається раз на браузер. На довгому записі спершу спробуйте швидший рівень, щоб перевірити, чи правильно визначено мову.
Мова, якою говорять у записі. Автоматичного варіанта немає: ця збірка моделі не визначає мову, і без вибору вона припускає англійську. Китайський запис, прочитаний як англійський, не падає — він дає плавну на вигляд нісенітницю, яку помітити набагато важче. Вибирайте мову, яку насправді чуєте.
Ця сторінка перетворює запис на простий текст: абзаци того, що було сказано, без таймкодів. Це той самий рушій слухання, що й на сторінці субтитрів, — ті самі моделі, ті самі тридцятисекундні вікна, те саме правило «лише локально», — але останній крок інший. Замість репліки на кожне речення сторінка з’єднує речення в абзаци й повністю відкидає час, тож виходить те, що можна вставити в документ, лист або нотатки зустрічі.
Абзаци розриваються на двох речах, які справді розділяють думки в мовленні: пауза довша за півтори секунди або чотири речення поспіль. Лише правило паузи перетворило б п’ятихвилинний монолог на одну нечитабельну стіну тексту; лише правило кількості речень розрізало б паузу для подиху на новий абзац. Разом вони дають текст, який читається приблизно так, як людина говорила.
Робота відбувається локально. Модель мовлення завантажують один раз із цього сайту — близько 45 МБ для швидкого рівня, близько 81 МБ для точного — і після цього кешує браузер; сам запис ніколи не залишає вкладки. Кроку завантаження, який можна пропустити, немає, облікового запису теж, і саме це робить сторінку придатною для інтерв’ю, які не можна віддавати сервісу транскрипції.
Вихід — файл .txt, названий за вихідним записом: film.mkv стає film.transcript.txt. Цей окремий суфікс навмисний: звичайний .txt поруч з іншими текстовими файлами має казати, що він таке, а транскрипт, зроблений машиною, — інший різновид документа, ніж нотатки, набрані людиною.
Як і у версії для субтитрів, результат потребує вичитування, а мову треба вибрати вручну: ця збірка моделі припускає англійську, коли їй нічого не сказали, а помилка дає гладенький на вигляд текст без сенсу, а не повідомлення про помилку.
Часті запитання
Чим це відрізняється від сторінки, яка експортує субтитри як текст?
Різниця в тому, звідки береться час. Сторінка експорту починає з файлу субтитрів, у якому вже є репліки, і з’єднує їхній текст в абзаци — таймкоди існували й просто відкидаються. Ця сторінка починає зі звуку, у якому часу немає взагалі, спершу будує його, а потім відкидає. Тому запис без доріжки субтитрів тут працює, а там — ні, і тому цій сторінці потрібне завантаження моделі, тоді як та працює миттєво.
Чому абзаци розриваються саме на півтори секунди тиші?
Бо приблизно там мовці змінюють думку. Коротші проміжки трапляються всередині речення й розрізали б текст посеред підрядного; значно довші пороги зливали б різні теми в один абзац. Обмеження в чотири речення існує для випадку, коли тиші немає зовсім — відрепетируваний закадровий текст або подкаст, записаний одним дублем, — де паузи не настають і правило самої паузи дало б один блок. Два правила разом — найменший набір, який тримає обидва краї.
Чи можна використати транскрипт як доказ або офіційний протокол?
Не в тому вигляді, як його видано. Це найкращий здогад машини, а машинна транскрипція плутає імена, числа й технічні терміни — саме ті слова, які найважливіші в протоколі. У юридичному або медичному контексті правильний порядок — узяти його за чернетку, перевірити рядок за рядком проти звуку й зазначити це в документі. Транскрипт, чистіший за сам звук, — це ризик, і саме тому сторінка називає файл .transcript.txt, а не чимось, що виглядає як офіційні нотатки.
Що буде, якщо в записі музика або кілька людей говорять одночасно?
Перекриття мовлення — місце, де будь-яка однопотокова модель деградує: два голоси одночасно стають одним довгим реченням, а підписів мовців не з’являється. Фонову музику зазвичай ігнорують, але гучна музика під мовленням може вирвати слова з тексту або вигадати ті, яких не казали. Якщо результат місцями читається дивно, порівняйте його зі звуком у цих місцях, а не довіряйте плинності тексту: упевнене на вигляд речення не є доказом, що його сказали.
Чи зберігає транскрипт структуру файлу — розділи або назви доріжок?
Ні. Проходить лише звук, який транскрибують; метадані контейнера — маркери розділів, назви доріжок і мовні теги — не є частиною тексту. Якщо ви транскрибуєте одну доріжку з багатодоріжкового файлу, сторінка читає звук із того файлу, який ви перетягли, а межі абзаців беруться з пауз, а не з того, де були розділи. Розбити довгий запис на файли за розділами заздалегідь — розумний порядок роботи, якщо хочете, щоб ці межі з’явилися.