Chép âm thanh thành văn bản
Lần chạy đầu tiên tải mô hình giọng nói — khoảng 45 MB cho bậc nhanh, 81 MB cho bậc chính xác, do trang này phục vụ và được trình duyệt lưu đệm sau đó. Không có gì được tải lên, và bản chép lời do máy tạo: hãy kiểm tra lại cách viết và các mốc thời gian trước khi công bố.
Tùy chọn
Hai bậc của cùng một mô hình. Bản nhanh khoảng 45 MB và chép nhanh gấp đôi; bản chính xác khoảng 81 MB và làm chữ hoa cùng dấu câu đúng hơn. Cả hai chạy tại đây, và việc tải xuống diễn ra một lần cho mỗi trình duyệt. Với một bản ghi dài, hãy thử bản nhanh trước để kiểm tra ngôn ngữ có đúng không.
Ngôn ngữ được nói trong bản ghi. Không có tùy chọn tự động: bản dựng này của mô hình không tự nhận diện ngôn ngữ, và khi không chọn gì nó giả định là tiếng Anh. Một bản ghi tiếng Trung đọc như tiếng Anh không thất bại — nó tạo ra văn bản trôi chảy nhưng vô nghĩa, thứ khó nhận ra hơn nhiều. Hãy chọn đúng ngôn ngữ bạn thực sự nghe thấy.
Trang này biến một bản ghi thành văn bản thuần: những đoạn kể lại điều đã được nói, không có timecode. Nó dùng cùng bộ máy nghe với trang phụ đề — cùng mô hình, cùng cửa sổ ba mươi giây, cùng quy tắc chỉ chạy cục bộ — nhưng bước cuối khác: thay vì ghi mỗi câu một cue, nó nối các câu thành đoạn và bỏ hẳn phần thời gian, nên bạn nhận được thứ có thể dán vào tài liệu, email hay biên bản họp.
Đoạn được ngắt theo hai thứ thực sự chia ý trong lời nói: một khoảng lặng dài hơn một giây rưỡi, hoặc bốn câu liên tiếp. Chỉ dựa vào khoảng lặng sẽ biến một bài độc thoại năm phút thành một khối chữ không đọc nổi; chỉ dựa vào số câu sẽ chẻ một khoảng nghỉ lấy hơi thành đoạn mới. Cả hai cùng lúc cho ra thứ đọc gần giống cách người kia nói. Bản ghi được cắt thành cửa sổ ba mươi giây và mỗi cửa sổ được chép cục bộ bằng mô hình Whisper tải một lần từ site này; bản ghi không rời khỏi tab, và hủy có hiệu lực ở cửa sổ kế tiếp.
Đầu ra là tệp .txt đặt tên theo bản ghi gốc: film.mkv thành film.transcript.txt. Hậu tố riêng đó là có chủ ý — một tệp .txt thuần nằm cạnh các tệp văn bản khác nên tự nói nó là gì, và một bản chép do máy làm là loại tài liệu khác với biên bản ai đó tự gõ. Như bản phụ đề, kết quả cần được kiểm tra lại, và ngôn ngữ phải chọn tay: bản dựng này của mô hình mặc định là tiếng Anh khi không được nói gì, và chọn sai cho ra thứ trôi chảy nhưng vô nghĩa thay vì một thông báo lỗi.
Câu hỏi thường gặp
Trang này khác gì trang xuất tệp phụ đề thành văn bản?
Khác ở chỗ thời gian đến từ đâu. Trang xuất bắt đầu với một tệp phụ đề đã có cue và nối chữ của chúng thành đoạn — thời gian đã tồn tại và chỉ bị bỏ đi. Trang này bắt đầu với âm thanh không có thời gian nào cả, dựng thời gian trước rồi mới bỏ. Vì thế một bản ghi không có track phụ đề chạy được ở đây mà không chạy được ở kia, và trang này cần tải mô hình còn trang kia thì tức thì.
Vì sao đoạn được tách ở một giây rưỡi im lặng?
Vì đó đại khái là chỗ người nói đổi ý. Khoảng ngắn hơn nằm trong câu và sẽ chẻ văn bản giữa mệnh đề; ngưỡng dài hơn nhiều sẽ gộp các chủ đề riêng thành một đoạn. Giới hạn bốn câu dành cho trường hợp bản ghi không có khoảng lặng nào — một lời bình đã tập hay podcast thu một lần — nơi khoảng nghỉ không bao giờ tới và quy tắc chỉ dựa vào khoảng lặng sẽ cho một khối duy nhất. Hai quy tắc cùng lúc là tập nhỏ nhất xử lý được cả hai đầu.
Bản chép lời có dùng làm bằng chứng hay hồ sơ chính thức được không?
Không, với trạng thái nó được tạo ra. Đó là phỏng đoán tốt nhất của máy, mà máy chép sai tên riêng, con số và thuật ngữ — đúng những từ quan trọng nhất trong một hồ sơ. Trong bối cảnh pháp lý hay y tế, quy trình đúng là dùng nó làm bản nháp rồi kiểm từng dòng với âm thanh, và ghi rõ điều đó trong tài liệu. Một bản chép sạch hơn âm thanh thật là một rủi ro, cũng là lý do trang này đặt tên tệp là .transcript.txt chứ không phải thứ trông như biên bản.
Nếu bản ghi có nhạc hoặc nhiều người nói chồng nhau thì sao?
Lời nói chồng nhau là chỗ mọi mô hình một luồng xuống cấp: hai giọng cùng lúc thành một câu dài dính, và không có nhãn người nói nào được tạo. Nhạc nền thường bị bỏ qua, nhưng nhạc to dưới lời nói có thể kéo mất từ hoặc bịa ra từ chưa từng nói. Nếu kết quả đọc kỳ ở vài chỗ, hãy đối chiếu với âm thanh tại những chỗ đó thay vì tin vào mạch văn — một câu trông tự tin không phải bằng chứng rằng nó đã được nói.
Bản chép lời có giữ cấu trúc của tệp như chương hay tên track không?
Không. Chỉ âm thanh được chép đi qua; siêu dữ liệu container như mốc chương, tiêu đề track và thẻ ngôn ngữ không thuộc phần văn bản. Nếu bạn chép một track trong tệp nhiều track, trang đọc âm thanh từ tệp bạn thả vào, và chỗ ngắt đoạn đến từ khoảng lặng chứ không từ vị trí các chương. Tách bản ghi dài thành từng tệp chương trước là cách làm hợp lý nếu bạn muốn các ranh giới đó hiện ra.