Ubah Audio ke Teks: Transkrip Rekaman, Video, dan Subtitle

Transkripsikan file audio atau video dengan model pengenalan suara Whisper langsung di browser, lalu simpan teksnya atau subtitle SRT dan VTT. Rekaman tidak diunggah.

Bahasa yang diucapkan dalam rekaman

Bahasa dideteksi dari 30 detik pertama ucapan. Pilih sendiri jika rekaman diawali musik atau bahasa lain, atau jika bahasa yang terdeteksi salah.

Model

Whisper base: lebih cepat Whisper small: lebih akurat, sekitar tiga kali lebih lambat

Model diunduh dari leedybox.com pada penggunaan pertama, lalu disimpan di browser ini sehingga tidak perlu diunduh lagi. Small lebih jarang salah daripada base, terutama untuk bahasa selain Inggris, tetapi butuh lebih banyak memori: di ponsel, gunakan base. Large-v3-turbo paling jarang salah dan berjalan di prosesor grafis (WebGPU); unduhannya sekitar 750 MB, jadi gunakan di komputer.

Letakkan file audio atau video di sini, atau pilih file

MP3, M4A, WAV, OGG, OPUS, FLAC, WebM, dan MP4 bisa dipakai di sebagian besar browser. Format lain bisa dipakai jika browser Anda dapat memutarnya.

Pilih bahasa dan model, lalu tambahkan file.

Catatan

Rekaman didekode dan ditranskripsi di browser Anda. Rekaman tidak diunggah ke LeedyBox maupun ke tempat lain, dan selama bekerja alat ini hanya bisa terhubung ke leedybox.com.
Pada penggunaan pertama, browser mengunduh mesin pengenalan suara dan model pilihan Anda dari leedybox.com: sekitar 90 MB untuk base, 250 MB untuk small, atau 750 MB untuk large-v3-turbo. Setelah itu semuanya tersimpan di penyimpanan browser ini, jadi kunjungan berikutnya tidak mengunduhnya lagi. Tombol "Hapus model tersimpan" di bawah pilihan model menghapusnya, begitu juga menghapus data situs di browser.
Base dan small berjalan di prosesor, large-v3-turbo di prosesor grafis, satu jendela 30 detik demi satu. Di komputer uji kami, base memerlukan sekitar setengah panjang rekaman, small sekitar satu setengah kalinya, dan large-v3-turbo sekitar sepertiganya; ponsel dan komputer lama lebih lambat. Biarkan tab ini terbuka sampai selesai.
Hasil terbaik didapat dari satu orang yang berbicara jelas di dekat mikrofon. Musik latar, bising, beberapa orang berbicara bersamaan, logat, dan istilah khusus menimbulkan kesalahan, dan nama sering salah tulis. Whisper juga bisa mengulang kalimat atau menulis kata yang tidak diucapkan, terutama di bagian yang hening atau bising.
Satu bahasa dipakai untuk seluruh file. Bagian dalam bahasa lain ditulis dalam bahasa itu sebisa model, atau diterjemahkan. Pembicara tidak dibedakan.
Subtitle mengikuti segmen yang ditemukan Whisper, biasanya satu kalimat atau satu frasa per segmen. Periksa waktunya di pemutar sebelum dipublikasikan; segmen panjang mungkin perlu dipecah agar mudah dibaca.
Rekaman yang sangat panjang butuh banyak memori: satu jam audio memakan sekitar 220 MB setelah didekode, ditambah model. Jika browser menghentikan halaman, bagi file menjadi bagian yang lebih pendek.

Ada masalah? Jika file tidak bisa dibuka, model tidak termuat, halaman berhenti, atau transkrip jauh lebih buruk dari perkiraan, kirimi kami email. Sebutkan model dan bahasa yang Anda pilih, jenis dan panjang file, serta perangkat dan browser Anda. Jangan kirim rekamannya.

Ada kalimat di halaman ini yang terdengar janggal? Beri tahu kami juga.

support@leedybox.com

Cara menggunakan

Pilih bahasa yang diucapkan dalam rekaman, atau biarkan "Deteksi otomatis".
Pilih model: base paling cepat, small lebih akurat, dan large-v3-turbo, yang muncul jika browser mendukung WebGPU, paling akurat.
Letakkan file audio atau video di kotak atau pilih file, lalu tekan "Mulai transkripsi". Pada penggunaan pertama, mesin dan model diunduh dari leedybox.com.
Teks muncul setiap kali satu bagian rekaman selesai ditranskripsi. Anda bisa berhenti kapan saja dan menyimpan teks yang sudah ada.
Periksa transkrip dengan rekamannya, lalu salin atau unduh sebagai file .txt, atau sebagai subtitle .srt atau .vtt untuk video.

Pertanyaan umum

Apakah rekaman saya diunggah ke server?

Tidak. File didekode dan ditranskripsi di browser Anda. LeedyBox hanya mengirim mesin pengenalan suara dan model ke browser; audio dan transkrip tidak dikirim ke mana pun, dan bagian halaman yang menjalankan model diblokir agar tidak bisa terhubung ke situs lain.

Bahasa apa saja yang didukung?

99 bahasa dari model Whisper multibahasa, termasuk bahasa Indonesia, Inggris, Melayu, Jawa, Sunda, Tionghoa, Jepang, Korea, Vietnam, Thai, Spanyol, Prancis, Jerman, dan Arab. Akurasinya sangat berbeda antarbahasa: paling baik untuk bahasa yang banyak penuturnya dan banyak data pelatihannya.

Model mana yang sebaiknya dipilih?

Jika browser di komputer Anda menawarkan large-v3-turbo, gunakan itu: dalam uji kami model ini tidak membuat satu pun kesalahan yang dibuat base dan small, dan paling cepat karena berjalan di prosesor grafis; unduhannya sekitar 750 MB sekali saja. Jika tidak, mulailah dengan base (sekitar 90 MB, sekitar setengah panjang rekaman di komputer baru) dan beralihlah ke small (sekitar 250 MB, sekitar tiga kali lebih lambat) jika transkrip terlalu banyak salah. Di ponsel, gunakan base.

Berapa lama rekaman yang bisa diproses?

Tidak ada batas tetap, tetapi waktu proses bertambah seiring panjang rekaman dan semuanya berjalan di perangkat Anda. Di komputer, rekaman hingga sekitar satu jam berjalan lancar. File yang lebih panjang bisa memakan waktu berjam-jam dan kehabisan memori; lebih aman dibagi menjadi beberapa bagian.

Apa beda SRT dan VTT?

Keduanya file subtitle yang berisi teks dan waktu kemunculannya. SRT (SubRip) paling banyak didukung aplikasi edit video dan pemutar. VTT (WebVTT) adalah format W3C untuk subtitle di halaman web dan video HTML5. Pilih format yang diminta pemutar atau platform Anda.

Mengapa ada kata yang salah atau dikarang?

Whisper menebak teks yang paling mungkin dari suara. Bising, musik, suara yang tumpang tindih, logat, nama, dan istilah teknis menimbulkan kesalahan, dan di bagian yang hening atau sangat bising kadang ia mengulang kalimat atau menulis hal yang tidak diucapkan. Memilih bahasa sendiri, memakai model small, dan merekam lebih dekat ke mikrofon akan membantu.

Mengapa large-v3-turbo tidak muncul di browser saya?

Model ini berjalan di prosesor grafis melalui WebGPU, fitur browser untuk menghitung dengan GPU. Chrome dan Edge versi terbaru di Windows, macOS, dan ChromeOS, serta Safari di Mac terbaru, menyediakannya; sebagian browser lain dan banyak ponsel tidak. Jika hanya memakai prosesor, model ini butuh waktu berkali-kali lipat dari panjang rekaman, jadi hanya ditampilkan bila WebGPU tersedia.