Litteroi video

Ei. Puhemalli ladataan selaimeesi ja litterointi tapahtuu omalla koneellasi — tallenne ei tule meille eikä kenellekään muulle. Voit katkaista verkkoyhteyden mallin latauduttua, ja työ jatkuu silti.

Kyllä, ja se kysyy sitä puhemallilta itseltään — sama malli, joka litteroi, myös tunnistaa kielet. Hollantilaisella testitallenteellamme se nimesi hollannin 96 %:n varmuudella. Valittu kieli ilmestyy valikkoon heti kun se on tiedossa, joten näet sen osuneen oikeaan — tai keskeytät sekunneissa. Jos tiedät kielen, sen valitseminen itse on silti varmin tapa.

Se riippuu laatuasetuksesta ja tietokoneesta, ja jokainen asetus näyttää suunnilleen, kauanko minuutin tallenne vie. Työkalu käyttää grafiikkapiiriä, kun selain tarjoaa sellaisen, ja muuten se laskee kaikilla suoritinytimillä yhtä aikaa. Mittaamallamme pöytäkoneella kymmenen minuutin video vei noin puolitoista minuuttia Parempi-asetuksella grafiikkapiirin kanssa ja noin kaksi ja puoli minuuttia Hyvä-asetuksella ilman sitä. Paras vie suunnilleen yhtä kauan kuin tallenne kestää. Työn aikana arvio tarkentuu, koska se mittaa konettasi arvaamisen sijaan.

Yli kaksikymmentä: suomi, englanti, tanska, hollanti, saksa, ranska, espanja, italia, puola, ruotsi, norja, portugali, venäjä, ukraina, turkki, arabia, hindi, japani, korea ja kiina. Valitse se ennen aloitusta tai anna kielen päätellä äänestä — katso alta.

Englanniksi kyllä, siihen on asetus. Malli osaa kirjoittaa ylös kuulemansa tai kääntää sen englanniksi, muita kielipareja se ei osaa. Suomesta saksaksi se ei taivu, ja mieluummin jätämme sen tarjoamatta kuin tarjoamme sen huonosti.

Kaiken, mitä selaimesi osaa toistaa: MP4, MOV, WebM, MKV ja AVI videolle sekä MP3, M4A, WAV, FLAC, OGG ja Opus äänelle. Se poimii äänen videosta itse, joten sitä ei tarvitse erottaa etukäteen.

Pelkkänä tekstinä, Word-tiedostona (.docx), PDF:nä, Markdownina, CSV:nä taulukkolaskentaan, JSON:na sekä SRT- tai VTT-tekstityksinä. Asiakirjamuotoihin voi liittää aikaleiman kappaleittain, ja tekstitystiedostot kantavat ajat, joita videosoitin tarvitsee.

Hyvä, ja rehellisen epätäydellinen. Yhdeksänminuuttisessa hollantilaisessa haastattelussa se osui lähes sanasta sanaan työpöytäohjelman kanssa; virheet koskevat enimmäkseen erisnimiä, joissa puheentunnistus on yleisestikin heikoimmillaan. Lue teksti läpi ennen kuin luotat siihen.

Kaksikymmentä minuuttia tiedostoa kohti. Se on muistiraja eikä sääntö — purettu ääni on selaimen muistissa, ja kahdenkymmenen minuutin jälkeen välilehti ottaa riskin koneellasi. Pilko pitkä tallenne ensin äänileikkurillamme.

Se lataa puhemallin kerran. Koko riippuu asetuksesta ja siitä, onko koneessa grafiikkapiiri: noin 80 Mt:sta (Nopea) noin 1,6 Gt:hen (Paras). Grafiikkapiirin kanssa se hakee piirille tehdyt versiot, ilman sitä suorittimelle tehdyt versiot. Selain säilyttää mallin, joten seuraava tiedosto alkaa heti.

Nopea, Hyvä ja Parempi sekä englanniksi kääntävä malli ladataan Hugging Facesta, julkisesta palvelusta, jossa ne on julkaistu. Paras on oma selainversiomme Whisper large-v3 -mallista, koska kukaan ei julkaise sellaista, ja se tulee omalta tiedostopalvelimeltamme. Nämä lataukset ovat työkalun ainoat pyynnöt, ja ne kulkevat yhteen suuntaan: tiedostot tulevat alas, mitään ei lähde ylös. Tallenteesi ei ole koskaan mukana — se annetaan mallille omassa selaimessasi eikä se koskaan kulje verkossa. Kaikki muu, myös mallia ajava koodi, tulee helpyself.comista.

Ei evästeitä, eikä mitään tallenteestasi tai litteroinnistasi. Sivusto muistaa muutaman yleisen asetuksen — teeman, oletko kirjautunut — ja tämä työkalu lisää yhden asian: puhemallin selaimen tallennustilaan, jotta seuraava tiedosto alkaa heti, yhden jokaista käyttämääsi asetusta kohden. Se on yllä kuvattu lataus, noin 80 Mt – 1,6 Gt, ja se säilyy, kunnes tyhjennät tämän sivuston tiedot selaimesta, jolloin se poistuu kokonaan.

Koska jokin kohta tallenteesta ei ollut puhetta. Musiikki, aplodit, pitkä sävel tai huone jossa hurisee tuuletin vievät minkä tahansa puhemallin silmukkaan — se kirjoittaa saman lauseen yhä uudelleen, sujuvasti ja oikealla kielellä, eikä tuloksesta näe että se on keksitty. Silloin kohta puretaan muutaman kerran uudelleen suuremmalla satunnaisuudella; jos silmukka jatkuu, kohta jätetään pois ja yhteenveto kertoo siitä. Näkyvä aukko on parempi kuin kappale vuoropuhelua, jota kukaan ei sanonut.

Työkalu valitsee Parempi-asetuksen tietokoneella, jossa on grafiikkapiiri, ja Hyvä-asetuksen ilman sitä, ja se osuu yleensä oikeaan. Siirry Hyvästä Parempaan, kun ääni on vaikeaa — murre, meluisa tila, useita puhujia tai laulua. Ero on todellinen ja mitattu lauluilla, jotka ovat vaikein tapaus: kolmella kappaleella, joiden sanat tiedettiin, Parempi tavoitti 47 %, 57 % ja 100 % erottuvista sanoista, kun Hyvä ylsi 33 %:iin, 40 %:iin ja 83 %:iin. Paras on tarkin ja hitain, kun jokainen sana on tärkeä. Nopea antaa karkean luonnoksen.