把錄音轉成文字
發布於 · 更新於 閱讀約 2 分鐘
工具用一個小模型，在您的瀏覽器裡轉寫音訊檔案。對清晰的人聲，大約每四個詞會錯一個；語言的選擇和雜訊會大大改變結果。
工具做什麼
音訊轉文字 用 Whisper 引擎在您的瀏覽器裡轉寫音訊檔案。檔案不會被傳送：只會下載一次模型，這需要您先勾選同意框。提供三種匯出格式：TXT、SRT 和 VTT。
首次使用會下載什麼
測試期間，瀏覽器從站點之外的兩個服務下載了模型及其指令碼：托管模型的倉庫和指令碼分發網路。所有這些請求都是下載，沒有一個帶有請求内容，所以沒有任何音訊檔案。之後，“清除 Whisper 快取”按鈕可以把模型從瀏覽器中刪除。
測試錄音
測試使用兩個合成人聲，一男一女，朗讀同一段 32 個詞的文字：“Le jardin partagé du Vallon ouvre ses parcelles le trois mai. Venez découvrir le compost, les semis et l’atelier des enfants. L’inscription est gratuite et ouverte à toutes les familles du quartier.”每段錄音長 12 到 14 秒。由於文字是已知的，錯詞的數量可以精確地數出來。
所選語言
語言選單提供一個自動選項和二十種語言。在内置模型上，自動檢測把兩個人聲都當成了英語，並產生了與朗讀内容無關的英語句子，錯誤數與詞數一樣多。因此工具預設選擇頁面的語言，這裡是法語。
| 人聲 | 設定的語言 | 32 個詞中的錯詞數 |
|---|---|---|
| 女聲 | 自動 | 32 |
| 男聲 | 自動 | 33 |
| 女聲 | 法語 | 10 (31 %) |
| 男聲 | 法語 | 8 (25 %) |
選對語言會得到什麼
男聲設為法語時，轉寫結果是“Le jardin partagé du vallon ouvre ses parcels le 3 mai. Venez découvrir le compost, les sémisées la te liée des enfants. L’inscription est gratuit et ouvert à toutes les familles du quartier.”錯誤很典型：丢失的複數（“parcels”）、沒有大寫的專有名詞（“vallon”）、用數字寫出的數（“3”代替“trois”），以及聽錯的生僻詞（“semis”“atelier”）。
雜訊的影響
我們給男聲加入了雜訊，分兩個等級。在 10 dB 時，雜訊明顯比人聲弱。在 0 dB 時，雜訊與人聲一樣響。
| 錄音 | 32 個詞中的錯詞數 |
|---|---|
| 無雜訊 | 8 (25 %) |
| 輕微雜訊，10 dB | 11 (34 %) |
| 強雜訊，0 dB | 31 (97 %) |
輕微雜訊會多錯幾個詞。與人聲一樣響的雜訊，會讓轉寫無法使用。
處理時間
在台式電腦上，每次測試對約 13 秒的錄音用了 6 到 12 秒，包括模型載入。檔案越長，耗時和佔用的記憶體越多。
這些數字說明不了什麼
合成人聲很規整。帶口音、猶豫或有多人說話的真實人聲，會給出另外的數字。開始處理整個檔案之前，先用您自己錄音的一小段試一試。
改善結果
- 在選單中選擇錄音的語言。
- 從源頭減少雜訊：靠近麥克風錄音，比事後用濾波器處理的效果更好。
- 如果檔案的格式比較少見，請先用 轉換語音錄音而不損傷音質 轉換它。
務必重讀人名、數字和專業術語。
檢查得到的文字
- 一邊聽錄音，一邊對照文字。
- 修正名稱、數字和一致性。
- 匯出為 TXT 得到文字，匯出為 SRT 或 VTT 得到字幕。