Convertir un enregistrament en text
Publicat el · Actualitzat el 3 min de lectura
L’eina transcriu un fitxer d’àudio al vostre navegador, amb un model petit. Amb una veu clara, falla aproximadament una paraula de cada quatre; l’elecció de la llengua i el soroll canvien molt el resultat.
Què fa l’eina
Àudio a text transcriu un fitxer d’àudio amb el motor Whisper, al vostre navegador. El fitxer no s’envia: només es baixa el model, una sola vegada, després de marcar la casella de consentiment. S’ofereixen tres formats d’exportació: TXT, SRT i VTT.
Què es baixa en el primer ús
Durant la prova, el navegador va baixar el model i els seus scripts de dos serveis externs al lloc: el dipòsit que allotja el model i una xarxa de distribució de scripts. Totes aquestes peticions eren baixades; cap no portava cos, per tant cap fitxer d’àudio. El botó «Esborrar la memòria cau de Whisper» treu després el model del navegador.
Els enregistraments de prova
Les proves fan servir dues veus sintètiques, una veu de dona i una d’home, que llegeixen el mateix text de 32 paraules: «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.» Cada enregistrament dura de 12 a 14 segons. Com que el text es coneix, el nombre de paraules errònies es pot comptar exactament.
La llengua triada
El menú de llengües ofereix un paràmetre automàtic i vint llengües. Amb el model integrat, la detecció automàtica va prendre les dues veus per anglès i va produir frases en anglès sense relació amb el text llegit, tants errors com paraules. L’eina selecciona, doncs, per defecte la llengua de la pàgina, aquí el francès.
| Veu | Llengua fixada | Paraules errònies sobre 32 |
|---|---|---|
| Dona | Automàtica | 32 |
| Home | Automàtica | 33 |
| Dona | Francès | 10 (31 %) |
| Home | Francès | 8 (25 %) |
Què dona una llengua correcta
Amb la veu d’home en francès, la transcripció és «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.» Els errors són típics: un plural perdut («parcels»), un nom propi sense majúscula («vallon»), un nombre escrit en xifres («3» per «trois») i paraules rares mal sentides («semis», «atelier»).
L’efecte del soroll
S’ha afegit soroll a la veu d’home, a dos nivells. A 10 dB, el soroll és clarament més feble que la veu. A 0 dB, és tan fort com la veu.
| Enregistrament | Paraules errònies sobre 32 |
|---|---|
| Sense soroll | 8 (25 %) |
| Soroll lleuger, 10 dB | 11 (34 %) |
| Soroll fort, 0 dB | 31 (97 %) |
El soroll lleuger costa unes quantes paraules. Un soroll tan fort com la veu fa la transcripció inutilitzable.
Temps de tractament
Cada prova va trigar de 6 a 12 segons per a uns 13 segons d’enregistrament, càrrega del model inclosa, en un ordinador d’escriptori. Un fitxer més llarg triga més temps i més memòria.
El que aquestes xifres no diuen
Les veus sintètiques són regulars. Una veu real, amb accent, dubtes o diverses persones, donarà altres xifres. Proveu un fragment curt del vostre propi enregistrament abans de començar tot el fitxer.
Millorar el resultat
- Trieu al menú la llengua de l’enregistrament.
- Reduïu el soroll a l’origen: un micròfon proper dona un millor resultat que un filtre després.
- Si el fitxer té un format poc corrent, convertiu-lo primer amb Convertir un enregistrament de veu sense malmetre’l.
Rellegiu sempre els noms propis, els nombres i els termes tècnics.
Comprovar el text resultant
- Escolteu l’enregistrament mentre seguiu el text.
- Corregiu els noms, els nombres i les concordances.
- Exporteu com a TXT per a un text, com a SRT o VTT per a subtítols.