แปลงเสียงเป็นข้อความ: ถอดเสียงจากไฟล์บันทึกเสียง วิดีโอ และทำซับ
ถอดเสียงพูดในไฟล์เสียงหรือวิดีโอเป็นข้อความด้วยโมเดลรู้จำเสียง Whisper ในเบราว์เซอร์ แล้วบันทึกเป็นข้อความหรือคำบรรยาย SRT และ VTT ไฟล์จะไม่ถูกอัปโหลด
ลากไฟล์เสียงหรือวิดีโอมาวางที่นี่ หรือเลือกไฟล์
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM และ MP4 ใช้ได้ในเบราว์เซอร์ส่วนใหญ่ รูปแบบอื่นใช้ได้หากเบราว์เซอร์เล่นไฟล์นั้นได้
ไฟล์นี้ยาวเกิน 1 ชั่วโมง การถอดเสียงอาจใช้เวลาเท่ากับความยาวไฟล์หรือนานกว่า และไฟล์ที่ยาวมากอาจทำให้หน่วยความจำของเบราว์เซอร์ไม่พอ หากเป็นเช่นนั้น ให้แบ่งไฟล์เป็นหลายส่วน
เบราว์เซอร์แจ้งว่าคุณใช้อินเทอร์เน็ตมือถือหรือโหมดประหยัดข้อมูล แนะนำให้รอใช้ Wi-Fi
เลือกภาษาและโมเดล แล้วเพิ่มไฟล์
หมายเหตุ
- ไฟล์เสียงถูกถอดรหัสและถอดเป็นข้อความในเบราว์เซอร์ ไม่ถูกอัปโหลดไปยัง LeedyBox หรือที่อื่นใด และระหว่างทำงาน เครื่องมือเชื่อมต่อได้เฉพาะ leedybox.com
- ในครั้งแรก เบราว์เซอร์จะดาวน์โหลดระบบรู้จำเสียงและโมเดลที่เลือกจาก leedybox.com: base ประมาณ 90 MB, small ประมาณ 250 MB หรือ large-v3-turbo ประมาณ 750 MB จากนั้นจะบันทึกไว้ในพื้นที่จัดเก็บของเบราว์เซอร์นี้ ครั้งต่อไปจึงไม่ต้องดาวน์โหลดอีก ลบได้ด้วยปุ่ม "ลบโมเดลที่บันทึกไว้" ใต้ตัวเลือกโมเดล หรือด้วยการล้างข้อมูลเว็บไซต์ในเบราว์เซอร์
- base และ small ทำงานบนหน่วยประมวลผล ส่วน large-v3-turbo ทำงานบนการ์ดจอ ทีละช่วง 30 วินาที บนคอมพิวเตอร์ที่เราทดสอบ base ใช้เวลาประมาณครึ่งหนึ่งของความยาวไฟล์ small ประมาณ 1.5 เท่า และ large-v3-turbo ประมาณหนึ่งในสาม มือถือและคอมพิวเตอร์รุ่นเก่าจะช้ากว่านี้ เปิดแท็บนี้ไว้จนกว่าจะเสร็จ
- ได้ผลดีที่สุดเมื่อมีคนพูดคนเดียวอย่างชัดเจนใกล้ไมโครโฟน เพลงประกอบ เสียงรบกวน หลายคนพูดพร้อมกัน สำเนียง และศัพท์เฉพาะทำให้ผิดได้ง่าย และชื่อคนมักสะกดผิด Whisper ยังอาจพูดซ้ำหรือเขียนคำที่ไม่มีใครพูด โดยเฉพาะช่วงที่เงียบหรือมีเสียงดัง
- ทั้งไฟล์ใช้ภาษาเดียว ช่วงที่เป็นภาษาอื่นจะถูกเขียนเป็นภาษานั้นเท่าที่โมเดลทำได้ หรือถูกแปล ไม่มีการแยกผู้พูด
- คำบรรยายแบ่งตามช่วงที่ Whisper หาได้ ปกติช่วงละหนึ่งประโยคหรือหนึ่งวลี ตรวจสอบเวลาในเครื่องเล่นก่อนเผยแพร่ ช่วงที่ยาวอาจต้องแบ่งเพื่อให้อ่านง่าย
- ไฟล์ที่ยาวมากใช้หน่วยความจำมาก: เสียง 1 ชั่วโมงหลังถอดรหัสใช้ประมาณ 220 MB บวกกับโมเดล หากเบราว์เซอร์หยุดหน้าเว็บ ให้แบ่งไฟล์ให้สั้นลง
มีปัญหาไหม? หากเปิดไฟล์ไม่ได้ โหลดโมเดลไม่ได้ หน้าเว็บหยุดทำงาน หรือผลลัพธ์แย่กว่าที่คาดไว้มาก โปรดส่งอีเมลแจ้งเรา บอกโมเดลและภาษาที่เลือก ชนิดและความยาวของไฟล์ รวมถึงอุปกรณ์และเบราว์เซอร์ ไม่ต้องส่งไฟล์เสียงมา
หากมีประโยคในหน้านี้ที่อ่านแล้วไม่เป็นธรรมชาติ แจ้งเราได้เช่นกัน
วิธีใช้
- เลือกภาษาที่พูดในไฟล์ หรือปล่อยไว้ที่ "ตรวจหาอัตโนมัติ"
- เลือกโมเดล: base เร็วที่สุด small แม่นยำกว่า และ large-v3-turbo ซึ่งจะแสดงเมื่อเบราว์เซอร์รองรับ WebGPU แม่นยำที่สุด
- ลากไฟล์เสียงหรือวิดีโอมาวางในกรอบหรือเลือกไฟล์ แล้วกด "เริ่มถอดเสียง" ครั้งแรกจะดาวน์โหลดระบบและโมเดลจาก leedybox.com
- ข้อความจะปรากฏทีละส่วนตามที่ถอดเสียงเสร็จ หยุดได้ทุกเมื่อ และข้อความที่ได้แล้วจะยังอยู่
- ตรวจข้อความกับไฟล์เสียง แล้วคัดลอก หรือดาวน์โหลดเป็นไฟล์ .txt หรือเป็นซับ .srt หรือ .vtt สำหรับวิดีโอ
คำถามที่พบบ่อย
ไฟล์เสียงของฉันถูกอัปโหลดไปยังเซิร์ฟเวอร์ไหม?
ไม่ ไฟล์ถูกถอดรหัสและถอดเสียงในเบราว์เซอร์ LeedyBox ส่งเพียงระบบรู้จำเสียงและโมเดลมาให้เบราว์เซอร์ เสียงและข้อความไม่ถูกส่งไปที่ใด และส่วนของหน้าที่รันโมเดลถูกปิดกั้นไม่ให้เชื่อมต่อเว็บไซต์อื่น
รองรับภาษาอะไรบ้าง?
รองรับ 99 ภาษาของโมเดล Whisper แบบหลายภาษา รวมถึงภาษาไทย อังกฤษ จีน ญี่ปุ่น เกาหลี เวียดนาม อินโดนีเซีย ลาว เขมร พม่า สเปน ฝรั่งเศส เยอรมัน และรัสเซีย ความแม่นยำต่างกันมากในแต่ละภาษา ภาษาที่มีผู้ใช้มากและมีข้อมูลฝึกมากจะได้ผลดีที่สุด
ควรเลือกโมเดลไหน?
หากเบราว์เซอร์บนคอมพิวเตอร์มี large-v3-turbo ให้ใช้โมเดลนี้ ในการทดสอบของเรา โมเดลนี้ไม่ผิดเลยในจุดที่ base และ small ผิด และเร็วที่สุดเพราะทำงานบนการ์ดจอ ต้องดาวน์โหลดประมาณ 750 MB ครั้งเดียว ถ้าไม่มี ให้เริ่มจาก base (ประมาณ 90 MB ใช้เวลาประมาณครึ่งหนึ่งของความยาวไฟล์บนคอมพิวเตอร์รุ่นใหม่) แล้วเปลี่ยนเป็น small (ประมาณ 250 MB ช้ากว่าราว 3 เท่า) เมื่อผิดมากเกินไป บนมือถือให้ใช้ base
ไฟล์ยาวได้เท่าไร?
ไม่มีขีดจำกัดตายตัว แต่ยิ่งยาวยิ่งใช้เวลานาน และทุกอย่างทำงานบนอุปกรณ์ของคุณ บนคอมพิวเตอร์ ไฟล์ยาวไม่เกินประมาณ 1 ชั่วโมงทำงานได้ดี ไฟล์ที่ยาวกว่านั้นอาจใช้เวลาหลายชั่วโมงและหน่วยความจำไม่พอ แบ่งเป็นส่วน ๆ จะปลอดภัยกว่า
SRT กับ VTT ต่างกันอย่างไร?
ทั้งสองเป็นไฟล์คำบรรยายที่มีข้อความและเวลาที่ข้อความปรากฏ SRT (SubRip) เป็นรูปแบบที่โปรแกรมตัดต่อและเครื่องเล่นวิดีโอรองรับมากที่สุด VTT (WebVTT) เป็นรูปแบบของ W3C สำหรับคำบรรยายในหน้าเว็บและวิดีโอ HTML5 ให้เลือกรูปแบบที่เครื่องเล่นหรือแพลตฟอร์มของคุณต้องการ
ทำไมบางคำผิด หรือมีคำที่ไม่ได้พูด?
Whisper เดาข้อความที่น่าจะเป็นที่สุดจากเสียง เสียงรบกวน เพลง เสียงพูดซ้อนกัน สำเนียง ชื่อคน และศัพท์เทคนิคทำให้ผิดได้ง่าย และในช่วงที่เงียบหรือเสียงดังมาก บางครั้งจะพูดซ้ำหรือเขียนสิ่งที่ไม่มีใครพูด การเลือกภาษาเอง ใช้โมเดล small และอัดเสียงใกล้ไมโครโฟนมากขึ้นจะช่วยได้
ทำไมเบราว์เซอร์ของฉันไม่มี large-v3-turbo?
โมเดลนี้ทำงานบนการ์ดจอผ่าน WebGPU ซึ่งเป็นฟีเจอร์ของเบราว์เซอร์สำหรับคำนวณด้วย GPU Chrome และ Edge รุ่นใหม่บน Windows, macOS และ ChromeOS รวมถึง Safari บน Mac รุ่นใหม่รองรับ แต่เบราว์เซอร์บางตัวและมือถือจำนวนมากไม่รองรับ หากใช้หน่วยประมวลผลอย่างเดียว โมเดลนี้จะใช้เวลาหลายเท่าของความยาวไฟล์ จึงแสดงเฉพาะเมื่อมี WebGPU