Grabazio bat testu bihurtzea
Argitaratua: · Eguneratua: 2 min-ko irakurketa
Tresnak audio-fitxategi bat transkribatzen du zure nabigatzailean, eredu txiki batekin. Ahots argi batean, lau hitzetik bat inguru erratzen du; hizkuntzaren aukerak eta zaratak asko aldatzen dute emaitza.
Tresnak zer egiten duen
Audioa testura tresnak audio-fitxategi bat transkribatzen du Whisper motorrarekin, zure nabigatzailean. Fitxategia ez da bidaltzen: eredua bakarrik deskargatzen da, behin, baimen-laukia markatu ondoren. Hiru esportazio-formatu eskaintzen dira: TXT, SRT eta VTT.
Lehen erabileran zer deskargatzen den
Proban, nabigatzaileak eredua eta bere script-ak deskargatu zituen gunearen kanpoko bi zerbitzutatik: eredua ostatatzen duen biltegia eta script-en banaketa-sare bat. Eskaera guztiak deskargak ziren; bat ere ez zeraman gorputzik, beraz audio-fitxategirik ez. «Clear Whisper cache» botoiak gero eredua nabigatzailetik kentzen du.
Probako grabazioak
Probek bi ahots sintetiko erabiltzen dituzte, emakumearen ahots bat eta gizonaren bat, 32 hitzeko testu bera irakurtzen: «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.» Grabazio bakoitzak 12tik 14 segundora irauten du. Testua ezaguna denez, hitz oker kopurua zehazki zenbatu daiteke.
Aukeratutako hizkuntza
Hizkuntza-menuak ezarpen automatiko bat eta hogei hizkuntza eskaintzen ditu. Eredu integratuan, detekzio automatikoak bi ahotsak ingelestzat hartu zituen eta irakurritako testuarekin loturarik ez zuten ingelesezko esaldiak sortu zituen, hitzak adina akats. Tresnak, beraz, orrialdearen hizkuntza hautatzen du lehenespenez, hemen frantsesa.
| Ahotsa | Finkatutako hizkuntza | Hitz okerrak 32tik |
|---|---|---|
| Emakumea | Automatikoa | 32 |
| Gizona | Automatikoa | 33 |
| Emakumea | Frantsesa | 10 (31 %) |
| Gizona | Frantsesa | 8 (25 %) |
Hizkuntza zuzen batek zer ematen duen
Gizonaren ahotsarekin frantsesez, transkripzioa «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.» da. Akatsak tipikoak dira: galdutako plural bat («parcels»), maiuskularik gabeko izen bereziak («vallon»), zifraz idatzitako zenbaki bat («trois» ordez «3») eta gaizki entzundako hitz bitxiak («semis», «atelier»).
Zaratak duen eragina
Zarata gehitu zitzaion gizonaren ahotsari, bi mailatan. 10 dB-tan, zarata ahotsa baino argi ahulagoa da. 0 dB-tan, ahotsa bezain indartsua da.
| Grabazioa | Hitz okerrak 32tik |
|---|---|
| Zaratarik gabe | 8 (25 %) |
| Zarata arina, 10 dB | 11 (34 %) |
| Zarata indartsua, 0 dB | 31 (97 %) |
Zarata arinak hitz batzuk kostatzen ditu. Ahotsa bezain indartsua den zarata batek transkripzioa erabilezin egiten du.
Tratamendu-denbora
Proba bakoitzak 6tik 12 segundora hartu zituen 13 segundo inguruko grabaziorako, ereduaren karga barne, mahai gaineko ordenagailu batean. Fitxategi luzeago batek denbora eta memoria gehiago hartzen ditu.
Zifra hauek esaten ez dutena
Ahots sintetikoak erregularrak dira. Benetako ahots batek, azentu, zalantza edo pertsona anitzekin, beste zifra batzuk emango ditu. Probatu zure grabazioaren zati labur bat fitxategi osoa hasi aurretik.
Emaitza hobetu
- Aukeratu menuan grabazioaren hizkuntza.
- Murriztu zarata iturrian: mikrofono gertuko batek iragazki batek baino emaitza hobea ematen du gero.
- Fitxategiak formatu arraroa badu, bihurtu lehenik Ahots grabazio bat hondatu gabe bihurtzea gidarekin.
Berrirakurri beti izen bereziak, zenbakiak eta termino teknikoak.
Egiaztatu emaitzazko testua
- Entzun grabazioa testua jarraituz.
- Zuzendu izenak, zenbakiak eta komunztadurak.
- Esportatu TXT testu baterako, SRT edo VTT azpitituluetarako.