把录音转成文字
发布于 · 更新于 阅读约 2 分钟
工具用一个小模型，在您的浏览器里转写音频文件。对清晰的人声，大约每四个词会错一个；语言的选择和噪声会大大改变结果。
工具做什么
音频转文字 用 Whisper 引擎在您的浏览器里转写音频文件。文件不会被发送：只会下载一次模型，这需要您先勾选同意框。提供三种导出格式：TXT、SRT 和 VTT。
首次使用会下载什么
测试期间，浏览器从站点之外的两个服务下载了模型及其脚本：托管模型的仓库和脚本分发网络。所有这些请求都是下载，没有一个带有请求内容，所以没有任何音频文件。之后，“清除 Whisper 缓存”按钮可以把模型从浏览器中删除。
测试录音
测试使用两个合成人声，一男一女，朗读同一段 32 个词的文字：“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.”每段录音长 12 到 14 秒。由于文本是已知的，错词的数量可以精确地数出来。
所选语言
语言菜单提供一个自动选项和二十种语言。在内置模型上，自动检测把两个人声都当成了英语，并生成了与朗读内容无关的英语句子，错误数与词数一样多。因此工具默认选择页面的语言，这里是法语。
| 人声 | 设置的语言 | 32 个词中的错词数 |
|---|---|---|
| 女声 | 自动 | 32 |
| 男声 | 自动 | 33 |
| 女声 | 法语 | 10 (31 %) |
| 男声 | 法语 | 8 (25 %) |
选对语言会得到什么
男声设为法语时，转写结果是“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.”错误很典型：丢失的复数（“parcels”）、没有大写的专有名词（“vallon”）、用数字写出的数（“3”代替“trois”），以及听错的生僻词（“semis”“atelier”）。
噪声的影响
我们给男声加入了噪声，分两个级别。在 10 dB 时，噪声明显比人声弱。在 0 dB 时，噪声与人声一样响。
| 录音 | 32 个词中的错词数 |
|---|---|
| 无噪声 | 8 (25 %) |
| 轻微噪声，10 dB | 11 (34 %) |
| 强噪声，0 dB | 31 (97 %) |
轻微噪声会多错几个词。与人声一样响的噪声，会让转写无法使用。
处理时间
在台式电脑上，每次测试对约 13 秒的录音用了 6 到 12 秒，包括模型加载。文件越长，耗时和占用的内存越多。
这些数字说明不了什么
合成人声很规整。带口音、犹豫或有多人说话的真实人声，会给出另外的数字。开始处理整个文件之前，先用您自己录音的一小段试一试。
改善结果
- 在菜单中选择录音的语言。
- 从源头减少噪声：靠近麦克风录音，比事后用滤波器处理的效果更好。
- 如果文件的格式比较少见，请先用 转换语音录音而不损伤音质 转换它。
务必重读人名、数字和专业术语。
检查得到的文字
- 一边听录音，一边对照文字。
- 修正名称、数字和一致性。
- 导出为 TXT 得到文本，导出为 SRT 或 VTT 得到字幕。