Video sang văn bản

Không. Âm thanh được tách khỏi video ngay trong trình duyệt và được đọc bởi một mô hình nhận diện giọng nói chạy trên thiết bị của bạn, trên card đồ họa nếu trình duyệt hỗ trợ WebGPU, còn không thì chạy trên bộ xử lý. 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 video. 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.

Hãy mở tệp .srt hoặc .vtt cùng với video trong một trình phát như VLC, hoặc nhập nó vào phần mềm dựng video. Hầu hết trình phát và phần mềm dựng đều nhận SRT, còn trình phát video trên web nhận VTT. Muốn gắn cứng phụ đề vào hình, hãy dùng phần mềm dựng video.

Chúng tôi không đặt giới hạn thời gian, nhưng video có thể nặng tối đa 300 MB. Video dài thì mất nhiều thời gian hơn, và trên điện thoại, tệp trên khoảng 100 MB có thể làm hết bộ nhớ.

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