Automatyczne napisy i transkrypcje z filmu – bez wysyłania

Upuść film lub plik audio, a Toolula przesłucha go na Twoim urządzeniu za pomocą Whisper, otwartego modelu rozpoznawania mowy OpenAI. Napisy pojawiają się linia po linii; popraw to, co zostało źle usłyszane, i pobierz SRT, WebVTT, transkrypcję tekstową albo wtop napisy w obraz. Plik nigdy nie opuszcza komputera – model mowy (ok. 50 MB) pobierany jest raz z toolula.com.

Jak to działa

  1. Upuść film lub plik audio.
  2. Wybierz język mowy lub zostaw „Wykryj automatycznie” i kliknij „Utwórz napisy”.
  3. Przeczytaj linie i popraw to, co zostało źle usłyszane.
  4. Pobierz SRT, VTT lub TXT albo wtop napisy w film.

Często zadawane pytania

Jak dokładne są napisy?

Toolula używa Whisper base, kompaktowej wersji modelu OpenAI, która mieści się w karcie przeglądarki. Wyraźna mowa w popularnych językach wychodzi dobrze; muzyka, mówienie naraz, silne akcenty i rzadkie słowa powodują błędy. Każdą linię można poprawić przed pobraniem.

Ile to trwa?

Na współczesnym komputerze minuta mowy zajmuje ok. 15 sekund, więc 10-minutowy film jest gotowy w dwie–trzy minuty; przeglądarki pozwalające na jeden rdzeń (Safari) potrzebują ok. jednej trzeciej więcej. Strona przed startem pokazuje szacunek. Telefony są wolniejsze i transkrybują najwyżej 15 minut.

Jakie języki są obsługiwane?

99 języków, na których trenowano Whisper, od polskiego, angielskiego i niemieckiego po chiński i walijski. Język jest wykrywany automatycznie, ale przy krótkich lub mieszanych nagraniach pewniej jest wybrać go samemu.

Czy film jest wysyłany do transkrypcji?

Nie. Dźwięk jest dekodowany i rozpoznawany w karcie przeglądarki. Raz, z toolula.com, pobierany jest tylko model mowy; z Twojego pliku nic nie jest wysyłane.