Расшифровка аудио в текст: записи, видео и субтитры
Расшифруйте аудио- или видеофайл моделью распознавания речи Whisper прямо в браузере и сохраните текст или субтитры SRT и VTT. Запись никуда не загружается.
Перетащите сюда аудио- или видеофайл или выберите его
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM и MP4 работают в большинстве браузеров. Другие форматы работают, если браузер умеет их воспроизводить.
Запись длиннее часа. Расшифровка может занять столько же времени, сколько длится запись, или больше, а на очень длинных файлах браузеру может не хватить памяти. В этом случае разделите файл на части.
Браузер сообщает о мобильном интернете или режиме экономии трафика. Лучше дождаться Wi-Fi.
Выберите язык и модель, затем добавьте файл.
Примечания
- Запись декодируется и расшифровывается в браузере. Она не загружается ни в LeedyBox, ни куда-либо ещё, а во время работы инструмент может обращаться только к leedybox.com.
- При первом запуске браузер скачивает с leedybox.com модуль распознавания речи и выбранную модель: около 90 МБ для base, 250 МБ для small или 750 МБ для large-v3-turbo. Затем они сохраняются в хранилище этого браузера, и при следующих посещениях не скачиваются заново. Удалить их можно кнопкой «Удалить сохранённые модели» под выбором модели или очисткой данных сайта в браузере.
- Base и small работают на процессоре, large-v3-turbo — на видеокарте, окнами по 30 секунд одно за другим. На нашем тестовом компьютере base тратил примерно половину длительности записи, small — примерно полторы, large-v3-turbo — около трети; телефоны и старые компьютеры работают медленнее. Не закрывайте эту вкладку до конца.
- Лучше всего получается, когда один человек говорит чётко и близко к микрофону. Фоновая музыка, шум, одновременная речь нескольких людей, акцент и специальные термины приводят к ошибкам, а имена часто пишутся неправильно. Whisper также может повторять фразу или писать слова, которых не было, чаще всего в тихих или шумных местах.
- Для всего файла используется один язык. Фрагменты на другом языке записываются на нём, насколько позволяет модель, или переводятся. Говорящие не различаются.
- Субтитры следуют сегментам, которые находит Whisper, обычно по предложению или части предложения. Перед публикацией проверьте тайминг в плеере; длинные сегменты, возможно, придётся разделить, чтобы их было удобно читать.
- Очень длинным записям нужно много памяти: час аудио после декодирования занимает около 220 МБ, плюс модель. Если браузер остановит страницу, разделите файл на части покороче.
Что-то не так? Если файл не открывается, модель не загружается, страница останавливается или расшифровка намного хуже ожидаемой, напишите нам. Укажите выбранную модель и язык, тип и длительность файла, а также устройство и браузер. Саму запись не присылайте.
Если какая-то фраза на этой странице звучит неестественно, сообщите нам и об этом.
Как пользоваться
- Выберите язык речи в записи или оставьте «Определить автоматически».
- Выберите модель: base самая быстрая, small точнее, а large-v3-turbo, которая появляется, если браузер поддерживает WebGPU, точнее всех.
- Перетащите аудио- или видеофайл в рамку или выберите его и нажмите «Начать расшифровку». В первый раз модуль и модель скачиваются с leedybox.com.
- Текст появляется по мере расшифровки каждой части записи. Остановиться можно в любой момент — уже готовый текст сохранится.
- Сверьте расшифровку с записью, затем скопируйте её или скачайте файлом .txt либо субтитрами .srt или .vtt для видео.
Частые вопросы
Загружается ли моя запись на сервер?
Нет. Файл декодируется и расшифровывается в браузере. LeedyBox передаёт браузеру только модуль распознавания речи и модель; аудио и расшифровка никуда не отправляются, а части страницы, которая запускает модель, запрещено обращаться к другим сайтам.
Какие языки поддерживаются?
99 языков многоязычных моделей Whisper, в том числе русский, английский, украинский, немецкий, французский, испанский, итальянский, португальский, турецкий, китайский, японский, корейский, вьетнамский и тайский. Точность сильно зависит от языка: лучше всего у распространённых языков с большим объёмом обучающих данных.
Какую модель выбрать?
Если браузер на компьютере предлагает large-v3-turbo, выбирайте её: в наших тестах она не сделала ни одной из ошибок base и small и оказалась самой быстрой, потому что работает на видеокарте; один раз скачивается около 750 МБ. Иначе начните с base (около 90 МБ, на современном компьютере примерно половина длительности записи) и переходите на small (около 250 МБ, примерно втрое медленнее), если ошибок слишком много. На телефоне используйте base.
Какой длины может быть запись?
Жёсткого ограничения нет, но время обработки растёт с длиной, а всё выполняется на вашем устройстве. На компьютере записи примерно до часа обрабатываются без проблем. Более длинные файлы могут обрабатываться часами и упереться в память; надёжнее делить их на части.
Чем SRT отличается от VTT?
Оба — файлы субтитров с текстом и временем его показа. SRT (SubRip) шире всего поддерживается видеоредакторами и плеерами. VTT (WebVTT) — формат W3C для субтитров на веб-страницах и в видео HTML5. Выберите тот, который требует ваш плеер или платформа.
Почему некоторые слова неверные или выдуманные?
Whisper угадывает самый вероятный текст по звуку. Шум, музыка, наложение голосов, акцент, имена и технические термины приводят к ошибкам, а в тихих или очень шумных местах он иногда повторяет фразы или пишет то, чего не говорили. Помогают выбор языка вручную, модель small и запись ближе к микрофону.
Почему мой браузер не предлагает large-v3-turbo?
Эта модель работает на видеокарте через WebGPU — функцию браузера для вычислений на GPU. Её поддерживают свежие версии Chrome и Edge в Windows, macOS и ChromeOS, а также Safari на новых Mac; некоторые другие браузеры и многие телефоны — нет. На одном процессоре эта модель работала бы в несколько раз дольше самой записи, поэтому она показывается только там, где есть WebGPU.