Göra en inspelning till text
Publicerad · Uppdaterad 2 min läsning
Verktyget transkriberar en ljudfil i din webbläsare, med en liten modell. På en tydlig röst tar det fel på ungefär ett ord av fyra; valet av språk och brus ändrar resultatet mycket.
Vad verktyget gör
Ljud till text transkriberar en ljudfil med motorn Whisper, i din webbläsare. Filen skickas inte: bara modellen laddas ned, en gång, sedan du kryssat i samtyckesrutan. Tre exportformat erbjuds: TXT, SRT och VTT.
Vad första användningen laddar ned
Under testet laddade webbläsaren ned modellen och dess skript från två tjänster utanför webbplatsen: förvaret som hyser modellen och ett nätverk för leverans av skript. Alla dessa begäranden var nedladdningar; ingen bar något innehåll, alltså ingen ljudfil. Knappen ”Rensa Whisper-cachen” tar sedan bort modellen från webbläsaren.
Testinspelningarna
Testerna använder två syntetiska röster, en kvinnoröst och en mansröst, som läser samma text på 32 ord: ”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.” Varje inspelning är 12 till 14 sekunder lång. Eftersom texten är känd kan antalet felaktiga ord räknas exakt.
Det valda språket
Språkmenyn erbjuder en automatisk inställning och tjugo språk. På den inbyggda modellen tog den automatiska identifieringen båda rösterna för engelska och gav engelska meningar utan samband med den uppläsa texten, lika många fel som ord. Verktyget väljer därför sidans språk som standard, här franska.
| Röst | Inställt språk | Felaktiga ord av 32 |
|---|---|---|
| Kvinna | Automatiskt | 32 |
| Man | Automatiskt | 33 |
| Kvinna | Franska | 10 (31 %) |
| Man | Franska | 8 (25 %) |
Vad ett rätt språk ger
Med mansrösten på franska är transkriptionen ”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.” Felen är typiska: en förlorad pluralform (”parcels”), ett egennamn utan versal (”vallon”), ett tal skrivet med siffror (”3” för ”trois”) och sällsynta ord som hörts fel (”semis”, ”atelier”).
Brusets effekt
Brus lades till mansrösten, på två nivåer. Vid 10 dB är bruset tydligt svagare än rösten. Vid 0 dB är det lika starkt som den.
| Inspelning | Felaktiga ord av 32 |
|---|---|
| Utan brus | 8 (25 %) |
| Svagt brus, 10 dB | 11 (34 %) |
| Starkt brus, 0 dB | 31 (97 %) |
Svagt brus kostar några ord. Brus lika starkt som rösten gör transkriptionen oanvändbar.
Bearbetningstiden
Varje test tog 6 till 12 sekunder för ungefär 13 sekunders inspelning, modellens laddning inräknad, på en stationär dator. En längre fil kräver mer tid och minne.
Vad de här siffrorna inte säger
Syntetiska röster är jämna. En verklig röst, med accent, tveksamheter eller flera personer, ger andra siffror. Prova ett kort utdrag av din egen inspelning innan du startar hela filen.
Förbättra resultatet
- Välj inspelningens språk i menyn.
- Minska bruset vid källan: en nära mikrofon ger ett bättre resultat än ett filter efteråt.
- Om filen har ett ovanligt format, konvertera den först med Konvertera en röstinspelning utan att skada den.
Läs alltid om egennamn, siffror och tekniska termer.
Kontrollera den erhållna texten
- Lyssna på inspelningen medan du följer texten.
- Rätta namn, tal och böjningar.
- Exportera som TXT för en text, som SRT eller VTT för undertexter.