Converter unha gravación en texto
Publicada o · Actualizada o 3 min de lectura
A ferramenta transcribe un ficheiro de audio no seu navegador, cun modelo pequeno. Cunha voz clara, falla aproximadamente unha palabra de cada catro; a elección da lingua e o ruído cambian moito o resultado.
Que fai a ferramenta
Audio a texto transcribe un ficheiro de audio co motor Whisper, no seu navegador. O ficheiro non se envía: só se baixa o modelo, unha soa vez, despois de marcar a caixa de consentimento. Ofrécense tres formatos de exportación: TXT, SRT e VTT.
Que se baixa no primeiro uso
Durante a proba, o navegador baixou o modelo e os seus scripts de dous servizos externos ao sitio: o depósito que aloxa o modelo e unha rede de distribución de scripts. Todas estas peticións eran baixadas; ningunha levaba corpo, polo tanto ningún ficheiro de audio. O botón «Clear Whisper cache» quita despois o modelo do navegador.
As gravacións de proba
As probas empregan dúas voces sintéticas, unha voz de muller e unha de home, que len o mesmo texto de 32 palabras: «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 gravación dura de 12 a 14 segundos. Como o texto se coñece, o número de palabras erróneas pódese contar exactamente.
A lingua escollida
O menú de linguas ofrece un axuste automático e vinte linguas. Co modelo integrado, a detección automática tomou as dúas voces por inglés e produciu frases en inglés sen relación co texto lido, tantos erros como palabras. A ferramenta selecciona, pois, por defecto a lingua da páxina, aquí o francés.
| Voz | Lingua fixada | Palabras erróneas sobre 32 |
|---|---|---|
| Muller | Automática | 32 |
| Home | Automática | 33 |
| Muller | Francés | 10 (31 %) |
| Home | Francés | 8 (25 %) |
Que dá unha lingua correcta
Coa voz de home en francés, a transcrición é «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.» Os erros son típicos: un plural perdido («parcels»), un nome propio sen maiúscula («vallon»), un número escrito en cifras («3» por «trois») e palabras raras mal oídas («semis», «atelier»).
O efecto do ruído
Engadiuse ruído á voz de home, a dous niveis. A 10 dB, o ruído é claramente máis débil ca a voz. A 0 dB, é tan forte coma a voz.
| Gravación | Palabras erróneas sobre 32 |
|---|---|
| Sen ruído | 8 (25 %) |
| Ruído lixeiro, 10 dB | 11 (34 %) |
| Ruído forte, 0 dB | 31 (97 %) |
O ruído lixeiro custa unhas poucas palabras. Un ruído tan forte coma a voz fai a transcrición inutilizable.
Tempo de tratamento
Cada proba tardou de 6 a 12 segundos para uns 13 segundos de gravación, carga do modelo incluída, nun ordenador de escritorio. Un ficheiro máis longo tarda máis tempo e máis memoria.
O que estas cifras non din
As voces sintéticas son regulares. Unha voz real, con acento, dúbidas ou varias persoas, dará outras cifras. Probe un fragmento curto da súa propia gravación antes de comezar todo o ficheiro.
Mellorar o resultado
- Escolla no menú a lingua da gravación.
- Reduza o ruído na orixe: un micrófono próximo dá un mellor resultado ca un filtro despois.
- Se o ficheiro ten un formato pouco corrente, conviértao primeiro con Converter unha gravación de voz sen estragala.
Reláa sempre os nomes propios, os números e os termos técnicos.
Comprobar o texto resultante
- Escoite a gravación mentres segue o texto.
- Corrixa os nomes, os números e as concordancias.
- Exporte como TXT para un texto, como SRT ou VTT para subtítulos.