Âm thanh sang văn bản

Không. Mô hình nhận diện giọng nói chạy ngay trong trình duyệt của bạn, trên card đồ họa nếu trình duyệt hỗ trợ WebGPU, còn không thì chạy trên bộ xử lý. Bản ghi âm không bao giờ rời khỏi thiết bị. Chỉ có các tệp mô hình, không chứa thông tin cá nhân, được tải một lần từ Hugging Face và lưu trong trình duyệt.

Tiếng Anh rõ giọng cho kết quả tốt với mọi mô hình, và Chính xác còn ghi dấu câu rất tốt. Tiếng Bangla thì khác. Các mô hình chung yếu về tiếng Bangla: Nhanh viết từ bằng chữ Latin hoặc sai bảng chữ cái, còn Chính xác và Tốt nhất thường cho từ sai hoặc lặp từ. Với tiếng Bangla, hãy chọn mô hình Chỉ tiếng Bangla. Trong thử nghiệm với một bản tin do người đọc, kết quả đọc được và phần lớn đúng, nhưng vẫn sai ở tên riêng, từ hiếm và từ ghép dài, và đôi lúc bị rối vài từ ở cuối câu. Hãy coi văn bản tiếng Bangla là bản nháp và đối chiếu với bản ghi âm. Tiếng ồn nền, nhạc, giọng địa phương nặng và nhiều người nói cùng lúc đều làm giảm độ chính xác ở mọi ngôn ngữ.

Công cụ dùng các mô hình OpenAI Whisper, phát hành theo giấy phép MIT, cho phép dùng thương mại. Văn bản và phụ đề bạn tạo ra là của bạn.

Chúng tôi không đặt giới hạn nào. Giới hạn duy nhất là thiết bị của bạn: bản ghi dài hơn thì mất nhiều thời gian và bộ nhớ hơn. Bản ghi dài một giờ chạy được trên máy tính có card đồ họa. Trên điện thoại, hãy dùng bản ghi ngắn.

Đó là các tệp phụ đề, có thời điểm bắt đầu và kết thúc cho từng dòng. SRT dùng được trong hầu hết phần mềm dựng video và trình phát. VTT là phiên bản cho web, dùng với video HTML. Cả hai đều mở được như văn bản thuần.

Không. Công cụ ghi các từ theo thứ tự kèm thời gian, nhưng không gắn nhãn người nói.