Trascrivere audio in testo: registrazioni, video e sottotitoli
Trascrivi un file audio o video con il modello di riconoscimento vocale Whisper, direttamente nel browser, e salva il testo o i sottotitoli SRT e VTT. La registrazione non viene caricata.
Trascina qui un file audio o video, oppure sceglilo
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM e MP4 funzionano nella maggior parte dei browser. Gli altri formati funzionano se il browser riesce a riprodurli.
Questa registrazione dura più di un’ora. La trascrizione può richiedere quanto la registrazione o di più, e con file molto lunghi il browser può esaurire la memoria. In tal caso dividi il file in più parti.
Il browser segnala dati mobili o la modalità di risparmio dati. Meglio aspettare il Wi-Fi.
Scegli la lingua e il modello, poi aggiungi un file.
Note
- La registrazione viene decodificata e trascritta nel browser. Non viene caricata su LeedyBox né altrove, e mentre lavora lo strumento può collegarsi solo a leedybox.com.
- La prima volta il browser scarica da leedybox.com il motore di riconoscimento vocale e il modello scelto: circa 90 MB per base, 250 MB per small o 750 MB per large-v3-turbo. Poi restano salvati nella memoria di questo browser, quindi le visite successive non li scaricano di nuovo. Puoi eliminarli con «Elimina modelli salvati», sotto la scelta del modello, oppure cancellando i dati del sito nel browser.
- Base e small funzionano sul processore, large-v3-turbo sulla scheda grafica, una finestra di 30 secondi dopo l’altra. Sul nostro computer di prova base ha impiegato circa metà della durata della registrazione, small circa una volta e mezza e large-v3-turbo circa un terzo; smartphone e computer meno recenti sono più lenti. Tieni aperta questa scheda fino alla fine.
- Funziona meglio con una sola persona che parla chiaramente vicino al microfono. Musica di sottofondo, rumore, più persone che parlano insieme, accenti e termini specialistici causano errori, e i nomi vengono spesso scritti male. Whisper può anche ripetere una frase o scrivere parole mai dette, soprattutto nei tratti silenziosi o rumorosi.
- Per tutto il file si usa una sola lingua. I passaggi in un’altra lingua vengono scritti in quella lingua come può il modello, oppure tradotti. Chi parla non viene distinto.
- I sottotitoli seguono i segmenti trovati da Whisper, di solito una frase o parte di una frase ciascuno. Controlla i tempi in un player prima di pubblicarli; i segmenti lunghi potrebbero dover essere divisi per una lettura agevole.
- Le registrazioni molto lunghe richiedono molta memoria: un’ora di audio occupa circa 220 MB una volta decodificata, più il modello. Se il browser blocca la pagina, dividi il file in parti più brevi.
Qualcosa non va? Se un file non si apre, il modello non si carica, la pagina si blocca o la trascrizione è molto peggiore del previsto, scrivici. Indica il modello e la lingua scelti, il tipo e la durata del file, il dispositivo e il browser. Non inviare la registrazione.
Una frase di questa pagina suona innaturale nella tua lingua? Segnalacelo.
Come si usa
- Scegli la lingua parlata nella registrazione, oppure lascia «Rileva automaticamente».
- Scegli il modello: base è il più veloce, small è più preciso e large-v3-turbo, che compare se il browser supporta WebGPU, è il più preciso.
- Trascina un file audio o video nel riquadro o sceglilo, poi premi «Avvia la trascrizione». La prima volta il motore e il modello vengono scaricati da leedybox.com.
- Il testo compare man mano che ogni parte della registrazione viene trascritta. Puoi interrompere in qualsiasi momento e tenere il testo ottenuto fin lì.
- Controlla la trascrizione con la registrazione, poi copiala o scaricala come file .txt, oppure come sottotitoli .srt o .vtt per un video.
Domande frequenti
La mia registrazione viene caricata su un server?
No. Il file viene decodificato e trascritto nel browser. LeedyBox invia al browser solo il motore di riconoscimento vocale e il modello; l’audio e la trascrizione non vengono inviati da nessuna parte, e la parte della pagina che esegue il modello non può collegarsi ad altri siti.
Quali lingue sono supportate?
Le 99 lingue dei modelli multilingue di Whisper, tra cui italiano, inglese, francese, spagnolo, tedesco, portoghese, russo, turco, cinese, giapponese, coreano, vietnamita, indonesiano e thai. La precisione varia molto da una lingua all’altra: è migliore per le lingue più parlate, con più dati di addestramento.
Quale modello scegliere?
Se il browser del tuo computer offre large-v3-turbo, usalo: nei nostri test non ha commesso nessuno degli errori di base e small ed è stato il più veloce, perché funziona sulla scheda grafica; scarica circa 750 MB una volta sola. Altrimenti inizia con base (circa 90 MB, più o meno metà della durata della registrazione su un computer recente) e passa a small (circa 250 MB, circa tre volte più lento) se la trascrizione ha troppi errori. Sullo smartphone usa base.
Quanto può durare la registrazione?
Non c’è un limite fisso, ma il tempo di elaborazione cresce con la durata e tutto avviene sul tuo dispositivo. Su un computer le registrazioni fino a circa un’ora vanno bene. I file più lunghi possono richiedere ore ed esaurire la memoria; è più sicuro dividerli in parti.
Che differenza c’è tra SRT e VTT?
Sono entrambi file di sottotitoli con il testo e il momento in cui appare. SRT (SubRip) è il formato più accettato da programmi di montaggio e player video. VTT (WebVTT) è il formato del W3C per i sottotitoli nelle pagine web e nei video HTML5. Scegli quello richiesto dal tuo player o dalla tua piattaforma.
Perché alcune parole sono sbagliate o inventate?
Whisper indovina il testo più probabile a partire dal suono. Rumore, musica, voci sovrapposte, accenti, nomi e termini tecnici causano errori, e nei tratti silenziosi o molto rumorosi a volte ripete frasi o scrive cose mai dette. Aiuta scegliere la lingua, usare il modello small e registrare più vicino al microfono.
Perché il mio browser non offre large-v3-turbo?
Funziona sulla scheda grafica tramite WebGPU, una funzione del browser per calcolare sulla GPU. La offrono le versioni recenti di Chrome ed Edge su Windows, macOS e ChromeOS e Safari sui Mac recenti; altri browser e molti smartphone no. Solo sul processore questo modello impiegherebbe più volte la durata della registrazione, quindi compare solo dove c’è WebGPU.