Korlátlan átírás a böngészőben Whisper AI-jal
Válasszon egy hangfájlt, és a Whisper-modell a böngészőben fut, hogy átírja. Nem kell beállítania a Pythont, az ffmpeget vagy a GPU-illesztőprogramokat. A hang soha nem jut el szerverre, és nincs szükség fiókra vagy fizetésre.
Ennél a nyelvnél a kisebb modellek pontossága erősen romlik. Válassza a Whisper Small vagy egy nagyobb modellt
Általában maradhat az Auto beállításon. Csak akkor módosítsa, ha az eredményben egyértelműen rossz a beszélők száma
Nincs fájlja? Rögzítsen a mikrofonnal. Az átírás a felvétel leállítása után indul (ezen az eszközön a kiválasztott modellel legfeljebb kb. 000 perc). A felvétel sem kerül semmilyen szerverre.
Használat
- Válasszon modellt. Az alapértelmezett modellt az eszköz képességei alapján automatikusan választja ki. WebGPU-t támogató PC-n a Large v3 Turbo jó egyensúlyt kínál a pontosság és a sebesség között.
- Válassza ki a nyelvet. Az automatikus felismerés is működik, de ha megadja a tényleges nyelvet, kevesebb lesz a felismerési hiba.
- Válasszon hang- vagy videofájlt. Az átírás a fájl betöltésekor rögtön elindul, és ha elkészült, a „Letöltés” alatt választhatja a TXT, Word, SRT vagy más formátumot.
A böngészőben futó Whisperről
A Whisper az OpenAI által kiadott beszédfelismerő modell. Használatához általában Python-környezetet kell beállítani, valamint telepíteni kell az ffmpeget és a GPU-illesztőprogramokat. Ez az eszköz ugyanazokat a Whisper-modelleket futtatja, böngészőben működő formátumra alakítva. A modell első alkalommal letöltődik, utána a böngészőben tárolt példányt használja.
Hat modell érhető el: Tiny, Base, Small, Medium, Large v3 Turbo és Large v3. WebGPU-t támogató PC-n a GPU-n, telefonon és WebGPU nélküli eszközön a CPU-n futnak. A nagyobb modellek pontosabbak, de nagyobb letöltést és több memóriát igényelnek. A Large v3 Turbo megtartja a Large v3 kódolóját, és kisebb dekódolót használ, így gyorsan fut, a Large v3-hoz közeli pontossággal. Az egyes modellek – köztük a nem Whisper-modellek – nyelvenként mért hibaarányát és feldolgozási idejét a Modellek összehasonlítása és választási útmutató oldalon találja.
A Whisper csend vagy zene alatt néha olyan mondatokat ír le, amelyeket senki sem mondott. Az ismétlődő mondatokat automatikusan eltávolítja, de az egyszer megjelenő mondat megmarad, ezért ezt a sort törölje az eredményképernyőn.
Ha valami nem működik
- Ha a feldolgozás menet közben leáll, lehet, hogy elfogy az eszköz memóriája. Váltson a következő kisebb modellre, vagy ossza fel a hanganyagot rövidebb részekre.
- Ha gyakran kimaradnak a tulajdonnevek vagy a szakkifejezések, váltson a Small vagy nagyobb modellre.
Gyakori kérdések
Szükségem van Pythonra vagy GPU-ra?
Nem. Elég egy friss böngésző, például a Chrome vagy az Edge. WebGPU-t támogató PC-n gyorsan fut a GPU-n, telefonon vagy használható GPU nélküli eszközön pedig a CPU-n fut (tovább tart).
Melyik modellt válasszam?
Az alapértelmezett modellt az eszköz képességei alapján automatikusan választja ki. WebGPU-t támogató PC-n a Large v3 Turbo jó egyensúlyt kínál a pontosság és a sebesség között; telefonon a Tiny vagy a Base modellt válassza.
Ugyanazt az eredményt adja, mint a Whisper Python-változata?
A modell ugyanaz a Whisper, de a böngészőben való futtatáshoz könnyebbé tettük, így a kimenet apró részletei eltérhetnek a Python-változatétól.
Működik offline?
Igen. Miután a modell letöltődött, hálózati kapcsolat nélkül is átírhat.
A hanganyag előkészítése és az átírás utáni teendők
A szolgáltatás fejlesztésének támogatása
Ha elküldi nekünk a feldolgozás körülményeit – akár sikeres, akár sikertelen –, azzal segít felderíteni a hibákat (a hibaarányhoz mindkettő kell). Ha tudjuk, mely eszközökön és beállításokkal fordul elő leggyakrabban hiba, módosíthatjuk az ajánlott alapértelmezéseket, és kijavíthatjuk a mögöttük álló hibákat. Ha nem bánja, sokat segít, ha bekapcsolva hagyja.
Mit küldünk el?
Az eszköz jellemzői (GPU-típus, memória, magok száma), a böngésző és az operációs rendszer, a kiválasztott modell és nyelv, a beszélők szétválasztásának beállítása (be vagy ki, és a megadott beszélőszám), az oldal megjelenítési nyelve, hogy meddig jutott a feldolgozás (beleértve azt is, ha leállította, vagy bezárta az oldalt), a hiba típusa és részletei, a fájl formátuma a hozzávetőleges méretével és hosszával, az egyes szakaszok időtartama, valamint a letöltött AI-modelladatok mennyisége. Egy ideiglenes szám, amely összekapcsolja az ugyanabban a lapon végzett feldolgozásokat (a lap bezárásakor törlődik). Az eredményképernyőn: hányszor használta a szerkesztést (például a beszélők átnevezését vagy a sorok felosztását), a fordítást, az összefoglalókat és a feliratimportálást, a „Letöltés” alatt választott formátumok, milyen gyakran használta a „Szöveg másolása” és az „Összes letöltése” funkciót, valamint a fordítás nyelvpárja.
Mit nem küldünk el soha?
A hangot, az átiratokat (beleértve a beszélők nevét és a fordításokat), a fájlneveket és az IP-címeket. Az adatok csak az oldal saját szerverére jutnak, soha nem kerülnek külső szolgáltatáshoz.