Инструмент Файлы

Преобразовать аудио и видео в текст

Выберите файл, чтобы создать текст на устройстве. При первом запуске скачивается около 43 МБ модели; для длинных записей рекомендуем компьютер.

Запускается в вашем браузере. Нет загрузки.

Запускается в вашем браузере. Нет загрузки.

Для длинных файлов или высокого разрешения лучше использовать компьютер. Не закрывайте вкладку; скорость, память и заряд батареи зависят от устройства.

При первом использовании загружается около 58 МБ файлов модели и локального движка. Запись не отправляется; после очистки кэша браузеру может потребоваться скачать их снова.

Запускается в вашем браузере. Нет загрузки.

Об этом инструменте

Преобразовать аудио и видео в текст — это просто.

Мультиязычная модель Whisper Tiny работает локально в браузере. При первом использовании с Hugging Face загружается около 43 МБ открытых файлов модели; сама запись туда или в UsefulVerse не отправляется. Браузер может сохранить модель в кэше, но также может очистить его. Проверяйте имена, числа и пунктуацию: модель может ошибаться. Фиксированной серверной квоты по размеру и длительности нет; практические ограничения зависят от памяти, кодеков, браузера, батареи и скорости устройства.

Справка

Как пользоваться: Преобразовать аудио и видео в текст

Эта страница превращает речь из аудио- или видеофайла в простой текст. Вы выбираете запись, указываете язык речи или оставляете автоматическое определение и нажимаете «Расшифровать». Небольшая модель распознавания речи Whisper Tiny работает на вашем устройстве, поэтому запись не отправляется на сервер. При первом запуске нужно скачать модель. Подходит для заметок со встреч, лекций и голосовых заметок. Возвращается только текст, без временных меток и имён говорящих, и модель может неверно расслышать имена и числа.

Пошагово

  1. Нажмите «Выбрать аудио- или видеофайл» и выберите запись. В окне выбора перечислены типы вроде MP3, M4A, WAV, OGG, MP4, MOV и WebM.
  2. Выберите разговорный язык из списка из 16 или оставьте «Определять автоматически», если не уверены.
  3. Нажмите «Расшифровать» и не закрывайте вкладку. При первом использовании сначала загружается речевая модель (страница сообщает примерно о 58 MB с локальным движком), а индикатор выполнения показывает, как далеко продвинулась загрузка.
  4. Текст появляется в поле «Результат» по мере завершения каждого 30-секундного фрагмента аудио. Нажмите «Отмена», чтобы остановить раньше.
  5. Нажмите «Копировать результат» или «Скачать», чтобы получить файл .txt с именем вашей записи, и прочитайте текст целиком, прежде чем на него полагаться.

Разобранные примеры

Голосовая заметка на 75 секунд

Вы вводите
Файл
memo.mp3, 75 секунд, разговорный английский
Язык
Английский
Вы получаете
Поле результата
до 3 строк текста

Аудио разрезается на фрагменты по 30 секунд, здесь 30 + 30 + 15. Каждый фрагмент, вернувший текст, добавляется отдельной строкой. Это прочитано из кода и не проверялось на настоящей записи.

Не рассчитано инструментом. Воспринимайте как иллюстрацию.

Имя скачиваемого текстового файла

Вы вводите
Файл
Team call (final).mov
Действие
Скачать
Вы получаете
Скачать
Team-call-final-transcript.txt

Расширение файла отбрасывается, каждая последовательность символов, не являющихся буквами, цифрами, точками, подчёркиваниями или дефисами, становится одним дефисом, и добавляется -transcript.txt. Буквы с диакритикой сохраняются, поэтому Reunión 3 de marzo.m4a даёт Reunión-3-de-marzo-transcript.txt. Шаг именования запускался отдельно.

Рассчитано кодом самого инструмента.

Видео без звуковой дорожки

Вы вводите
Файл
screen-capture.mp4 без звука
Язык
Определять автоматически
Вы получаете
Статус
Файл или браузер не смогли выполнить локальную расшифровку. Попробуйте другой поддерживаемый формат или браузер для компьютера.

Считыватель ищет звуковую дорожку и выдаёт ошибку, если её нет. Страница тогда показывает одно общее сообщение для любого вида сбоя. Не проверялось на реальном файле.

Не рассчитано инструментом. Воспринимайте как иллюстрацию.

Запись без речи

Вы вводите
Файл
piano.wav
Язык
Определять автоматически
Вы получаете
Статус
Речь не обнаружена. Попробуйте более чистое аудио или выберите язык.

Когда ни один фрагмент не возвращает текст, страница показывает эту строку. Музыка или шум всё равно могут давать случайные слова у небольшой модели, поэтому читайте поле, а не доверяйте пустому или полному результату. Не проверялось на реальном файле.

Не рассчитано инструментом. Воспринимайте как иллюстрацию.

Когда это полезно

  • Превратите записанную лекцию в заметки, по которым можно искать.
  • Запишите основные пункты встречи или телефонного разговора, записанных с разрешения.
  • Получите черновик из голосовой заметки, прежде чем редактировать её.
  • Извлеките произнесённые слова из короткого видеоклипа для субтитров или краткого содержания.
  • Проверьте, что было сказано в интервью, прежде чем его цитировать.

Ограничения, которые стоит учитывать

  • Инструмент не задаёт фиксированного размера или длины файла. Что подойдёт, решает ваше устройство в зависимости от памяти, батареи и аудиокодеков, которые может декодировать браузер.
  • Модель — Whisper Tiny в компактной 8-битной форме, созданная ради небольшого размера, а не максимальной точности. Ожидайте ошибок в именах, числах и знаках препинания.
  • Результат — простой текст. Нет временных меток, меток говорящих и перевода, а поле «Результат» только для чтения, поэтому для правки скопируйте текст в другое место.
  • Звук обрабатывается 30-секундными фрагментами, и каждый фрагмент становится отдельной строкой, поэтому предложение, пересекающее границу фрагмента, может разорваться на две строки.
  • Для первого запуска нужно подключение к интернету, чтобы загрузить модель и движок, и браузер может загрузить их снова, если его кэш очищен.

Советы

  • Выбирайте язык самостоятельно, если знаете его. При автоматическом определении каждый 30-секундный фрагмент проверяется отдельно, поэтому предположение может измениться посреди файла.
  • Используйте чистую запись с микрофоном близко к говорящему. Фоновый шум — частая причина неверных слов.
  • Сверьте каждое имя, дату и цифру с записью, прежде чем цитировать текст или делиться им.
  • Для длинных файлов используйте ноутбук или настольный компьютер, подключите его к питанию и держите вкладку на переднем плане, потому что работа выполняется на вашем собственном процессоре.

Источники

Общие вопросы

О сервисе «Преобразовать аудио и видео в текст».

Как превратить запись в текст?

Выберите аудио- или видеофайл, укажите язык речи и нажмите «Расшифровать». Дождитесь загрузки модели, затем наблюдайте, как текст заполняет поле «Результат» фрагмент за фрагментом. Когда процесс завершится, скопируйте текст или скачайте его в виде файла.

Загружается ли моя запись?

Нет. Аудио декодируется и распознаётся внутри вашего браузера. Из интернета при первом использовании загружаются только файлы модели с публичного хоста моделей. Страница сообщает, что сама запись никогда не отправляется ни на этот хост, ни в UsefulVerse.

Насколько точна расшифровка?

Показатель точности не приводится и для этой страницы не измерялся. Модель намеренно небольшая, поэтому может неверно расслышать имена, числа и знаки препинания, особенно при шуме или сильном акценте. Считайте текст первым черновиком и сверьте его с аудио.

Какие языки он может расшифровывать?

В списке есть автоматическое определение и 16 языков: английский, испанский, французский, португальский, немецкий, японский, корейский, индонезийский, хинди, арабский, китайский, бенгальский, русский, урду, турецкий и вьетнамский. Других языков нет, поэтому результаты для них ненадёжны.

Файл какой длины можно расшифровать?

Инструмент не ограничивает длину или размер. На практике он просит движок речи использовать один поток обработки, поэтому длинные файлы могут обрабатываться долго и занимать много памяти. Для чего-то объёмного рекомендуется ноутбук или настольный компьютер.

Почему первая расшифровка долго начинается?

Модель распознавания речи нужно скачать, прежде чем что-либо делать. На странице указано около 43 MB файлов модели и около 58 MB с локальным движком. Браузер может сохранить их для будущих визитов, но после очистки кэша потребуется новая загрузка.

Добавляет ли он метки времени или имена говорящих?

Нет. Вывод — только текст, по одной строке на каждый 30-секундный фрагмент, в котором были слова. Если нужны время или говорящие, добавьте их вручную при прослушивании или используйте другой инструмент, созданный для этого.

Можно ли использовать видеофайл?

Да, если в нём есть звуковая дорожка, которую может декодировать ваш браузер. Инструмент считывает звук из видео на вашем устройстве и игнорирует изображение. Видео без звука даёт общее сообщение об ошибке.

Переведёт ли он речь на английский?

Нет. Обработчик настроен на расшифровку, поэтому он записывает сказанное на том языке, на котором говорят. Опции перевода на странице нет. Используйте список языков, чтобы указать, на каком языке говорит человек.

Как пользоваться инструментом «Расшифровка аудио и видео»?

Выберите файл, чтобы создать текст на устройстве. При первом запуске скачивается около 43 МБ модели; для длинных записей рекомендуем компьютер.

Мои файлы или данные загружаются?

Нет. Мультиязычная модель Whisper Tiny работает локально в браузере. При первом использовании с Hugging Face загружается около 43 МБ открытых файлов модели; сама запись туда или в UsefulVerse не отправляется. Браузер может сохранить модель в кэше, но также может очистить его. Проверяйте имена, числа и пунктуацию: модель может ошибаться. Фиксированной серверной квоты по размеру и длительности нет; практические ограничения зависят от памяти, кодеков, браузера, батареи и скорости устройства.