Trascrivere video

No. Il modello vocale viene scaricato nel tuo browser e la trascrizione avviene sulla tua macchina — la registrazione non arriva né a noi né a nessun altro. Puoi scollegarti da internet una volta caricato il modello e continuerà a funzionare.

Sì, e lo chiede al modello vocale stesso — lo stesso modello che trascrive riconosce anche le lingue. Sulla registrazione olandese con cui facciamo le prove ha indicato l'olandese con il 96% di confidenza. La lingua scelta compare nel menù appena è nota, così vedi che è giusta — o ti fermi in pochi secondi. Se la lingua la conosci già, indicarla resta la via più sicura.

Dipende dall'impostazione di qualità e dal computer, e ogni impostazione mostra più o meno quanto richiede un minuto di registrazione. Lo strumento usa il chip grafico quando il browser ne offre uno, altrimenti lavora su tutti i core del processore insieme. Sul computer desktop che abbiamo misurato, un video di dieci minuti ha richiesto circa un minuto e mezzo con Migliore e il chip grafico, e circa due minuti e mezzo con Buona senza. La migliore impiega all'incirca quanto dura la registrazione. Mentre lavora, la stima diventa più precisa perché misura il tuo computer invece di tirare a indovinare.

Più di venti: italiano, inglese, danese, olandese, tedesco, francese, spagnolo, polacco, finlandese, svedese, norvegese, portoghese, russo, ucraino, turco, arabo, hindi, giapponese, coreano e cinese, fra le altre. Scegline una prima di iniziare, oppure lascia che la lingua venga ricavata dall'audio — vedi sotto.

In inglese sì, c'è un'apposita opzione. Il modello sa scrivere ciò che sente oppure tradurlo in inglese, e nessun'altra combinazione. Dall'italiano al tedesco non è in grado, e preferiamo non offrirlo piuttosto che offrirlo male.

Tutto ciò che il browser sa riprodurre: MP4, MOV, WebM, MKV e AVI per il video, MP3, M4A, WAV, FLAC, OGG e Opus per l'audio. Estrae da sé l'audio dal video, quindi non serve separarlo prima.

Testo semplice, Word (.docx), PDF, Markdown, CSV per il foglio di calcolo, JSON e sottotitoli SRT o VTT. I formati documento possono portare un marcatore temporale per ogni paragrafo, e i file di sottotitoli portano i tempi che serve a un lettore video.

Buona, e sincera sul non essere perfetta. Su un'intervista olandese di nove minuti ha coinciso quasi parola per parola con un programma da scrivania; ciò che sbaglia sono soprattutto i nomi propri, dove il riconoscimento vocale è in generale più debole. Rileggila prima di fidartene.

Venti minuti per file. È un limite di memoria più che una regola — l'audio decodificato sta nella memoria del browser, e oltre i venti minuti una scheda rischia grosso con la tua macchina. Taglia prima le registrazioni lunghe con il nostro ritagliatore audio.

Scarica il modello vocale una volta sola. La dimensione dipende dall'impostazione e dalla presenza di un chip grafico: da circa 80 MB per Veloce a circa 1,6 GB per La migliore. Con un chip grafico scarica versioni fatte per il chip, senza versioni fatte per il processore. Il browser conserva il modello, quindi il file successivo parte subito.

Veloce, Buona e Migliore, e il modello che traduce in inglese, vengono scaricati da Hugging Face, l'archivio pubblico in cui sono pubblicati. La migliore è la nostra versione per browser di Whisper large-v3, perché nessuno ne pubblica una, e arriva dal nostro server di file. Questi download sono le uniche richieste dello strumento e vanno in una sola direzione: i file scendono, niente sale. La tua registrazione non ne fa mai parte — viene passata al modello dentro il tuo browser e non tocca mai la rete. Tutto il resto, compreso il codice che esegue il modello, arriva da helpyself.com.

Nessun cookie, e niente della tua registrazione o della trascrizione. Il sito ricorda alcune preferenze generali — il tema, se hai effettuato l'accesso — e questo strumento aggiunge una sola cosa: il modello vocale, nella memoria del browser perché il file successivo parta subito, uno per ogni impostazione usata. È il download descritto sopra, tra circa 80 MB e 1,6 GB, e resta finché non cancelli i dati di questo sito nel browser, che lo rimuove del tutto.

Perché qualcosa nella registrazione non era parlato. Musica, applausi, una nota tenuta o una stanza con un ventilatore mandano qualsiasi modello vocale in un ciclo — scrive la stessa frase all'infinito, scorrevole e nella lingua giusta, senza che nulla riveli che è inventata. Quando accade, il tratto viene decodificato altre volte con più casualità; se il ciclo resta, viene omesso e il riepilogo lo dice. Un buco visibile è meglio di un paragrafo di dialogo mai pronunciato.

Lo strumento sceglie Migliore su un computer con chip grafico e Buona senza, e di solito è la scelta giusta. Passa da Buona a Migliore quando l'audio è difficile — un accento, una stanza rumorosa, più persone o il canto. La differenza è reale ed è stata misurata sulle canzoni, il caso più duro: su tre brani dal testo noto Migliore ha recuperato il 47%, 57% e 100% delle parole distintive, contro 33%, 40% e 83% di Buona. La migliore è la più accurata e la più lenta, per quando conta ogni parola. Veloce serve per una bozza approssimativa.