Chuyển giọng nói thành văn bản: file ghi âm, video và phụ đề
Chuyển lời nói trong file âm thanh hoặc video thành văn bản bằng mô hình nhận dạng giọng nói Whisper ngay trên trình duyệt, rồi lưu thành văn bản hoặc phụ đề SRT, VTT. File không được tải lên.
Thả file âm thanh hoặc video vào đây, hoặc chọn file
MP3, M4A, WAV, OGG, OPUS, FLAC, WebM và MP4 dùng được trên hầu hết trình duyệt. Định dạng khác dùng được nếu trình duyệt phát được.
Bản ghi này dài hơn một giờ. Việc chuyển văn bản có thể mất thời gian bằng hoặc lâu hơn độ dài bản ghi, và với file rất dài trình duyệt có thể hết bộ nhớ. Nếu vậy, hãy chia file thành nhiều phần.
Trình duyệt báo bạn đang dùng dữ liệu di động hoặc chế độ tiết kiệm dữ liệu. Nên đợi có Wi-Fi.
Chọn ngôn ngữ và mô hình, rồi thêm file.
Lưu ý
- Bản ghi được giải mã và chuyển thành văn bản ngay trong trình duyệt. File không được tải lên LeedyBox hay bất kỳ nơi nào khác, và trong lúc làm việc công cụ chỉ có thể kết nối tới leedybox.com.
- Lần đầu, trình duyệt tải bộ nhận dạng giọng nói và mô hình bạn chọn từ leedybox.com: khoảng 90 MB với base, 250 MB với small hoặc 750 MB với large-v3-turbo. Sau đó chúng được lưu trong bộ nhớ của trình duyệt này, nên những lần sau không phải tải lại. Bạn có thể xóa bằng nút "Xóa mô hình đã lưu" bên dưới phần chọn mô hình, hoặc xóa dữ liệu trang web trong trình duyệt.
- Base và small chạy trên bộ xử lý, large-v3-turbo chạy trên card đồ họa, lần lượt từng đoạn 30 giây. Trên máy thử nghiệm của chúng tôi, base mất khoảng một nửa thời lượng bản ghi, small khoảng gấp rưỡi và large-v3-turbo khoảng một phần ba; điện thoại và máy tính cũ chậm hơn. Hãy để tab này mở cho đến khi xong.
- Kết quả tốt nhất khi một người nói rõ ràng, gần micro. Nhạc nền, tiếng ồn, nhiều người nói cùng lúc, giọng địa phương và thuật ngữ chuyên ngành dễ gây lỗi, tên riêng cũng thường bị viết sai. Whisper còn có thể lặp lại một câu hoặc viết những từ không ai nói, chủ yếu ở đoạn im lặng hay ồn ào.
- Cả file dùng một ngôn ngữ. Những đoạn bằng ngôn ngữ khác sẽ được viết bằng ngôn ngữ đó trong khả năng của mô hình, hoặc bị dịch. Không phân biệt người nói.
- Phụ đề theo các đoạn mà Whisper chia, thường mỗi đoạn là một câu hay một cụm từ. Hãy kiểm tra thời gian trên trình phát trước khi đăng; đoạn dài có thể cần tách ra cho dễ đọc.
- Bản ghi rất dài cần nhiều bộ nhớ: một giờ âm thanh sau khi giải mã chiếm khoảng 220 MB, cộng thêm mô hình. Nếu trình duyệt dừng trang, hãy chia file thành những phần ngắn hơn.
Có vấn đề? Nếu không mở được file, mô hình không tải được, trang bị dừng hoặc văn bản kém hơn mong đợi nhiều, hãy gửi email cho chúng tôi. Cho biết mô hình và ngôn ngữ đã chọn, loại file và độ dài, thiết bị và trình duyệt. Đừng gửi kèm bản ghi.
Nếu câu chữ trên trang này đọc không tự nhiên, hãy báo cho chúng tôi biết.
Cách sử dụng
- Chọn ngôn ngữ nói trong bản ghi, hoặc để "Tự động nhận diện".
- Chọn mô hình: base nhanh nhất, small chính xác hơn, và large-v3-turbo, xuất hiện khi trình duyệt hỗ trợ WebGPU, là chính xác nhất.
- Thả file âm thanh hoặc video vào khung hoặc chọn file, rồi nhấn "Bắt đầu chuyển văn bản". Lần đầu, bộ nhận dạng và mô hình được tải từ leedybox.com.
- Văn bản hiện ra dần khi từng phần của bản ghi được chuyển xong. Bạn có thể dừng bất cứ lúc nào và giữ lại phần đã có.
- Đối chiếu văn bản với bản ghi, rồi sao chép hoặc tải về dưới dạng file .txt, hoặc phụ đề .srt, .vtt cho video.
Câu hỏi thường gặp
Bản ghi của tôi có bị tải lên máy chủ không?
Không. File được giải mã và chuyển thành văn bản trong trình duyệt. LeedyBox chỉ gửi bộ nhận dạng giọng nói và mô hình tới trình duyệt; âm thanh và văn bản không được gửi đi đâu, và phần trang chạy mô hình bị chặn kết nối tới các trang web khác.
Công cụ hỗ trợ những ngôn ngữ nào?
99 ngôn ngữ của các mô hình Whisper đa ngôn ngữ, gồm tiếng Việt, tiếng Anh, tiếng Trung, tiếng Nhật, tiếng Hàn, tiếng Thái, tiếng Indonesia, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Bồ Đào Nha, tiếng Nga, tiếng Ý và tiếng Thổ Nhĩ Kỳ. Độ chính xác khác nhau nhiều giữa các ngôn ngữ: tốt nhất với các ngôn ngữ phổ biến có nhiều dữ liệu huấn luyện.
Nên chọn mô hình nào?
Nếu trình duyệt trên máy tính có large-v3-turbo, hãy dùng nó: trong thử nghiệm, nó không mắc lỗi nào trong số các lỗi của base và small, và nhanh nhất vì chạy trên card đồ họa; chỉ tải khoảng 750 MB một lần. Nếu không, hãy bắt đầu với base (khoảng 90 MB, mất khoảng một nửa thời lượng bản ghi trên máy tính đời mới) và chuyển sang small (khoảng 250 MB, chậm hơn khoảng ba lần) khi văn bản có quá nhiều lỗi. Trên điện thoại, hãy dùng base.
Bản ghi được dài bao nhiêu?
Không có giới hạn cố định, nhưng thời gian xử lý tăng theo độ dài và mọi việc diễn ra trên thiết bị của bạn. Trên máy tính, bản ghi đến khoảng một giờ chạy tốt. File dài hơn có thể mất hàng giờ và hết bộ nhớ; chia thành nhiều phần sẽ an toàn hơn.
SRT và VTT khác nhau thế nào?
Cả hai đều là file phụ đề chứa chữ và thời điểm hiện chữ. SRT (SubRip) được các phần mềm dựng phim và trình phát video hỗ trợ rộng rãi nhất. VTT (WebVTT) là định dạng phụ đề của W3C cho trang web và video HTML5. Hãy chọn định dạng mà trình phát hoặc nền tảng của bạn yêu cầu.
Vì sao có từ sai hoặc từ không có trong bản ghi?
Whisper đoán văn bản có khả năng nhất từ âm thanh. Tiếng ồn, nhạc, giọng chồng lên nhau, giọng địa phương, tên riêng và thuật ngữ kỹ thuật dễ gây lỗi, và ở đoạn im lặng hoặc rất ồn đôi khi nó lặp lại câu hay viết ra điều không ai nói. Tự chọn ngôn ngữ, dùng mô hình small và ghi âm gần micro hơn sẽ giúp ích.
Vì sao trình duyệt của tôi không có large-v3-turbo?
Mô hình này chạy trên card đồ họa qua WebGPU, tính năng của trình duyệt để tính toán bằng GPU. Các phiên bản mới của Chrome và Edge trên Windows, macOS, ChromeOS và Safari trên các máy Mac đời mới có hỗ trợ; một số trình duyệt khác và nhiều điện thoại thì không. Nếu chỉ chạy trên bộ xử lý, mô hình này mất thời gian gấp nhiều lần độ dài bản ghi, nên chỉ hiện khi có WebGPU.