Transkrypcja bez limitów w przeglądarce z Whisper AI
Wybierz plik audio, a model Whisper przetranskrybuje go w Twojej przeglądarce. Nie trzeba konfigurować Pythona, ffmpeg ani sterowników GPU. Nagranie nigdy nie trafia na serwer, nie potrzebujesz konta i nic nie płacisz.
W tym języku dokładność mniejszych modeli wyraźnie spada. Wybierz Whisper Small lub większy
Zwykle można zostawić „Auto”. Zmień to ustawienie tylko wtedy, gdy liczba mówców w wyniku jest wyraźnie błędna
Nie masz pliku? Nagraj dźwięk mikrofonem. Transkrypcja rozpocznie się po zatrzymaniu nagrywania (na tym urządzeniu z wybranym modelem do ok. 000 min). Nagranie również nie jest wysyłane na żaden serwer.
Jak korzystać z narzędzia
- Wybierz model. Domyślny jest dobierany automatycznie do możliwości urządzenia. Na komputerze z WebGPU Large v3 Turbo zapewnia dobrą równowagę dokładności i szybkości.
- Wybierz język. Automatyczne wykrywanie działa, ale wskazanie właściwego języka ogranicza błędy rozpoznawania.
- Wybierz plik audio lub wideo. Transkrypcja rozpoczyna się od razu po wczytaniu pliku, a po zakończeniu możesz wybrać TXT, Word, SRT lub inny format w „Pobierz”.
O Whisper działającym w przeglądarce
Whisper to model rozpoznawania mowy udostępniony przez OpenAI. Zwykle używa się go po skonfigurowaniu środowiska Python oraz zainstalowaniu ffmpeg i sterowników GPU. To narzędzie uruchamia te same modele Whisper przekonwertowane do formatu działającego w przeglądarce. Model jest pobierany za pierwszym razem, a później używana jest kopia zapisana w przeglądarce.
Dostępnych jest sześć modeli: Tiny, Base, Small, Medium, Large v3 Turbo i Large v3. Na komputerze z WebGPU działają na GPU; na telefonach i urządzeniach bez WebGPU – na CPU. Większe modele są dokładniejsze, ale wymagają pobrania większego pliku i więcej pamięci. Large v3 Turbo zachowuje koder Large v3 i używa mniejszego dekodera, więc działa szybko przy dokładności bliskiej Large v3. Odsetek błędów i czasy przetwarzania zmierzone dla każdego modelu w każdym języku, także dla modeli innych niż Whisper, znajdziesz na stronie Porównanie i wybór modelu.
Whisper czasem zapisuje podczas ciszy lub muzyki zdania, których nikt nie wypowiedział. Powtarzające się zdania są usuwane automatycznie, ale zdanie, które pojawia się tylko raz, pozostaje, więc usuń ten wiersz na ekranie wyników.
Gdy coś pójdzie nie tak
- Jeśli przetwarzanie zatrzymuje się w trakcie, urządzeniu może brakować pamięci. Przełącz na mniejszy model albo podziel nagranie na krótsze części.
- Jeśli nazwy własne lub terminy techniczne są często pomijane, przełącz na model Small lub większy.
Najczęściej zadawane pytania
Czy potrzebuję Pythona lub GPU?
Nie. Wystarczy aktualna przeglądarka, np. Chrome lub Edge. Na komputerze z WebGPU działa szybko na GPU, a na telefonach lub urządzeniach bez dostępnego GPU – na CPU (trwa to dłużej).
Który model wybrać?
Domyślny jest wybierany automatycznie na podstawie możliwości urządzenia. Na komputerze z WebGPU Large v3 Turbo zapewnia dobrą równowagę dokładności i szybkości; na telefonie wybierz Tiny lub Base.
Czy wyniki są takie same jak w wersji Whisper dla Pythona?
Model to ten sam Whisper, ale odchudzony do działania w przeglądarce, więc drobne szczegóły wyniku mogą się różnić od wersji dla Pythona.
Czy narzędzie działa offline?
Tak. Po pobraniu modelu możesz transkrybować bez połączenia z siecią.
Przygotowanie nagrań i dalsza praca po transkrypcji
Pomóż nam ulepszać serwis
Przesłanie nam okoliczności przetwarzania – udanego lub nie – pomaga wyśledzić przyczyny problemów (do obliczenia odsetka niepowodzeń potrzebne są oba przypadki). Wiedząc, na jakich urządzeniach i przy jakich ustawieniach błędy zdarzają się najczęściej, możemy dopracować zalecane ustawienia i naprawiać usterki. Jeśli nie masz nic przeciwko, pozostawienie tej opcji włączonej bardzo nam pomoże.
Co jest wysyłane
Parametry urządzenia (model GPU, pamięć, liczba rdzeni), przeglądarka i system operacyjny, wybrany model i język, ustawienie rozpoznawania mówców (włączone lub wyłączone oraz podana liczba mówców), język wyświetlania strony, etap, do którego doszło przetwarzanie (także gdy je zatrzymasz lub zamkniesz stronę), rodzaj i treść błędu, format pliku wraz z przybliżonym rozmiarem i długością oraz czas przetwarzania. Tymczasowy numer, który łączy przetwarzania w tej samej karcie (jest usuwany po zamknięciu karty). Na ekranie wyników: ile razy użyto edycji (np. zmiany nazwy mówcy lub podziału wiersza), tłumaczenia, streszczeń i wczytywania plików napisów, formaty wybrane w „Pobierz”, ile razy użyto „Kopiuj tekst” i „Pobierz wszystko” oraz para języków tłumaczenia.
Co nigdy nie jest wysyłane
Nagrania, transkrypcje (w tym nazwy mówców i tłumaczenia), nazwy plików i adresy IP. Dane trafiają wyłącznie na serwer tej strony i nigdy nie są przekazywane podmiotom zewnętrznym.