Transkrypcja audio na tekst
Upuść nagranie, notatkę głosową lub film i otrzymaj tekst w swoim języku. Rozpoznawanie mowy działa na twoim urządzeniu.
Zapieczętowane na tym urządzeniu
Działa w przeglądarce. Nic nie jest wysyłane.
Zapieczętowane
Twoje nagranie
Jak to działa
-
Dodaj nagranie
Upuść plik audio lub wideo albo go wybierz. Jest odczytywany na twoim urządzeniu i nigdy nie jest wysyłany.
-
Wybierz język
Zostaw „Wykryj automatycznie” albo wybierz język nagrania i rozpocznij. Za pierwszym razem model mowy zostanie pobrany jednorazowo.
-
Skopiuj lub pobierz
Tekst pojawia się w trakcie zapisywania. W razie potrzeby popraw go, a potem skopiuj lub zapisz jako plik .txt.
Najczęściej zadawane pytania
Czy moje nagranie jest wysyłane na serwer?
Nie. Plik jest dekodowany i transkrybowany w przeglądarce, na twoim urządzeniu. Pobierany jest tylko model mowy, z tej strony, a przeglądarka zachowuje go na kolejny raz. Twoje nagranie i jego tekst nigdy nie są nigdzie wysyłane.
Jak dokładna jest transkrypcja?
Przy wyraźnej mowie jest dobra, ale nie idealna. Szumy w tle, muzyka, silny akcent, osoby mówiące jednocześnie, nazwy własne i słownictwo techniczne powodują błędy. Przeczytaj tekst przed użyciem i popraw go na miejscu. Narzędzie nie rozróżnia mówców.
Jakie języki może transkrybować?
Ponad 50, w tym angielski, hiszpański, francuski, niemiecki, portugalski, włoski, niderlandzki, polski, rosyjski, ukraiński, turecki, arabski, hindi, chiński, japoński, koreański, indonezyjski, wietnamski i tajski. Najlepsza dokładność dotyczy języków o dużej liczbie użytkowników. Automatyczne wykrywanie analizuje pierwsze 30 sekund.
Ile to trwa?
To zależy od urządzenia i długości nagrania. Rozpoznawanie mowy działa na procesorze, więc nowy komputer jest znacznie szybszy niż starszy telefon. Pierwsze uruchomienie obejmuje też jednorazowe pobranie modelu, gdy się na nie zgodzisz. Możesz w każdej chwili anulować i zachować to, co już zostało zapisane.
Jakie pliki są obsługiwane?
Większość plików audio i wideo: MP3, WAV, M4A, AAC, OGG, Opus, FLAC, MP4, WebM i MOV. Gdy przeglądarka nie potrafi sama odczytać pliku, narzędzie próbuje wbudowanego konwertera. Można otwierać pliki do 2 GB. Bardzo długie nagrania wymagają dużo pamięci.
Z jakich komponentów open source korzysta narzędzie?
Rozpoznawanie mowy to Whisper (model base), udostępniony przez OpenAI na licencji MIT, w wersji ONNX przygotowanej przez ONNX Community. Działa dzięki Transformers.js od Hugging Face (licencja Apache-2.0) i ONNX Runtime Web od Microsoftu (licencja MIT). Pliki, których przeglądarka nie potrafi sama zdekodować, są konwertowane przez FFmpeg skompilowany do WebAssembly (ffmpeg.wasm), którego rdzeń jest objęty licencją GPL.